强化学习与基于 RRL 的因子合成方法

创建于 2025-07-15T15:48:14.771992+08:00 更新于 2025-07-15T16:41:12.493536+08:00

摘要

本报告系统介绍了强化学习及其主流算法，重点聚焦循环强化学习（RRL）在量价序列因子合成上的应用。基于RRL的方法充分利用多因子多期Rank IC及ICIR的历史信息构造状态，通过梯度上升优化可微目标函数，赋予因子权重，月度回测表现大幅优于传统等权、IC加权及最大化预期IC方法，年化多空Sharpe高达2.6，展示了RRL模型在因子合成上的灵活性与优越性 [page::0][page::20][page::26][page::24]。

速读内容

深度阅读