Reinforcement Learning for Optimal Execution when Liquidity is Time-Varying
创建于 更新于
摘要
本报告利用双重深度Q学习(DDQL)方法研究在流动性随时间动态变化且不可直接观测情况下的最优交易执行策略。以Almgren-Chriss框架为基础，模型涵盖临时和永久价格冲击参数的多种确定性及随机动态。实验结果表明，当解析解存在时，算法能有效逼近最优策略；在无法获得精确解的复杂环境下，算法表现优于传统基准策略，体现出强鲁棒性和自适应能力，适用流动性非平稳市场环境[page::0][page::1][page::7][page::14][page::17].
