Reinforcement Learning Framework for Quantitative Trading
创建于 更新于
摘要
本报告围绕强化学习在量化交易中的应用，重点探讨通过20种技术指标输入并利用DQN、PPO、A2C等算法构建交易模型，详细分析数据预处理、奖励函数设计及超参数调优对模型表现的影响。实验证明DQN在合理调参后实现了42%以上年化收益率，彰显RL在复杂金融市场中的潜力和挑战，奠定了后续研究基础 [page::0][page::2][page::5][page::6][page::7]。
