Deep Reinforcement Learning for Optimal Asset Allocation Using DDPG with TiDE
创建于 更新于
摘要
本论文针对风险资产和无风险资产之间的最优资产配置问题，提出在马尔可夫决策过程框架下，结合凯利准则和基于深度确定性策略梯度（DDPG）与时间序列密集编码器（TiDE）的强化学习方法，构造动态、连续的投资策略。实验基于1927-2019年的宏观经济与市场数据，结果显示DDPG-TiDE策略优于离散动作Q学习与买入持有策略，尤其在风险调整收益率表现更优，且合理应用杠杆可进一步提升收益。该方法有效捕获时序依赖，提升策略适应性和盈利能力，为资产配置提供了新的量化思路[page::0][page::1][page::2][page::5][page::6][page::7][page::8]。
