Reinforcement Learning with Maskable Stock Representation for Portfolio Management in Customizable Stock Pools

创建于 2025-06-16T22:44:03.895988+08:00 更新于 2025-06-16T23:05:42.549479+08:00

摘要

本文提出了EarnMore，一种结合掩码股票表示的强化学习框架，解决了定制化股票池中多变股票组合带来的高昂训练成本和性能不稳定问题。EarnMore通过引入掩码标记统一表示不同股票池、采用自监督掩码重构学习股票关联及再加权机制专注优选股票，实现在可定制股票池上的一次性训练，显著优于14个基线方法，收益提升超40%。在标普500和道指数据集上的实验充分验证了模型的泛化及适应投资者偏好的能力[page::0][page::1][page::4][page::5][page::6][page::9][page::11]。

速读内容

深度阅读