Minimal Batch Adaptive Learning Policy Engine for Real-Time Mid-Price Forecasting in High-Frequency Trading
创建于 更新于
摘要
本报告提出了一种基于强化学习的自适应学习政策引擎（ALPE），实现对高频交易中100只美股S&P 500成分股数据的逐事件、即时中价预测。ALPE采用动态调整的epsilon衰减机制，在批量训练与在线学习间实现平衡，显著优于传统统计、机器学习及深度学习模型。结合多种特征工程及特征重要性方法，ALPE在多数据集上表现出稳健的预测准确性，尤其在低延迟的高频环境中展现出卓越适应能力。本研究为实时高频交易预测提供了有效的策略框架及性能评估指标RRMSE，促进了强化学习在金融时序预测领域的应用 [page::0][page::5][page::14][page::16][page::19]
