Comparing Normalization Methods for Portfolio Optimization with Reinforcement Learning
创建于 更新于
摘要
本论文针对利用强化学习进行投资组合优化中的状态归一化问题，比较了三种归一化方法在不同市场（IBOVESPA、NYSE和加密货币）上的表现。研究发现，相较于传统的状态归一化，先对数据进行归一化再训练的方式能更好地保留资产真实价值信息，显著提升了agent的收益表现和稳定性，且市场波动越大该方法优势越明显。结果同时揭示了状态归一化易导致agent过拟合和模型性能波动较大的缺陷，为后续基于RL的量化投资研究提供了重要参考 [page::0][page::4][page::5][page::6][page::7]。
