【华安金工】自适应市场状态的强化学习在资产配置中的应用“学海拾珠”系列之二百七十二
创建于 更新于
摘要
本文提出一个自适应、机制感知的强化学习框架，将利用无监督技术提取的市场机制信号嵌入资产配置的智能体，用以应对长期投资中的宏观转变与压力情景。通过KMeans、GMM、HMM提取三类市场机制（稳定、中性、危机），并在1931–2020年危机数据上对齐，结合自定义 Gym 环境进行压力测试与长周期蒙特卡洛模拟，比较前馈 PPO、LSTM-PPO、Transformer PPO 及无机制的 A2C 架构在夏普、索提诺比率、最大回撤及最终价值等指标上的表现。结果显示，机制感知显著提升风险调整收益与稳健性，Transformer PPO 虽领先但训练成本最高，LSTM-PPO 在回撤控制与可解释性方面具备优势。研究同时通过 SHAP 分解验证宏观指标（如利差、波动率）对策略决策的主导作用，证实机制信号具信息价值并能提升长期稳健性。本文的蒙特卡洛与宏观信息驱动的评估框架为自适应资产配置提供可解释、稳健的实务路径。 [page::1][page::2][page::4][page::7]
