.png){kind=icon}
.png){kind=icon}
返回
RL-Based Explainable Factor Generation for Market Risk Analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4381-6_27.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
金融市场具有复杂的相互依赖性和状态转换特征。一个关键但研究不足的方面在于为各种金融任务（如风险预测）生成可解释的因素。这些因素应适应不断变化的市场条件，同时保持透明性。我们提出了一种通用的两阶段框架，通过包含特征到因素转换和因素到预测集成的模块化流程，将因素生成与预测分离。基于强化学习的因素生成器结合符号优化与近端策略优化（PPO），以基于市场微观结构指标生成因素。我们的框架保持明确的数学表述，有助于更深入地理解经济因果关系。实验结果表明两个关键优势：1) 强化学习生成的因素表现出更优越的时序稳定性和预测性能，与目标变量的相关性较原始特征更强，2) 下游预测模型普遍受益于这些强化学习增强的因素，在提升整体性能的同时不损害可解释性。
Keyword:
Five Factor Model
Financial Econometrics
Machine Learning
Mathematical Finance
Quantitative Finance
Statistical Finance
Reinforcement Learning in Multi-Agent Systems