基于强化学习的组合优化在指增策略中的应用
创建于 更新于
摘要
本报告探讨了强化学习（尤其是Sac算法）与改进Transformer模型相结合的交易策略构建方法。通过三个Transformer网络提取股票长期、中期和短期潜在状态，融合为一体作为强化学习状态输入，实现了更加灵活有效的组合优化。实证结果显示，StockFormer强化学习策略在中证1000样本内年化收益达32.7%，超额收益29.1%，信息比率2.57，表现显著优于传统单纯基于Transformer因子的指数增强策略[page::0][page::9][page::12][page::18][page::21]。
