Financial Context-Rich Strategy for Actor-Critic based Agents: A Deep Reinforcement Learning Approach for Stock Trading
创建于 更新于
摘要
本文提出一种融合金融新闻情绪信息的Actor-Critic深度强化学习股票交易框架，将情绪倾向分别注入状态空间与奖励函数，并比较A2C、PPO、DDPG、TD3和SAC五类智能体在印度股票市场中的表现。研究基于2019年1月至2024年6月的五只印度大盘股数据，并以2023年6月至2024年6月进行约一年期交易实验。结果显示，结合策略优化与Q学习的DDPG和SAC在深度情绪注入下整体表现更稳定，其中DDPG取得最高年化收益率和夏普比率，SAC的夏普比率达到2.02；TD3则因更保守的价值估计受到情绪奖励波动影响，表现有所下降。[page::1][page::2][page::5][page::7][page::8]
