强化学习在保险投资组合追求中的应用

本研究提出了一种基于深度强化学习的成本敏感投资组合选择方法，优化投资组合以提高盈利能力和成本敏感性。

使用两个投资组合策略网络提取价格序列模式和资产相关性，通过新的成本敏感回报函数约束成本并实现最大的累积回报。

研究表明，该方法在实际数据验证中具有良好的获利能力、成本敏感性和代表能力。

深层强化学习的自主交易代理设计动态投资组合优化模型，证明该模型相较于先前的交易策略是稳健的、盈利的和风险敏感的。

提出了一种基于强化学习的投资组合优化系统，使用 Sharpe 比率和 ESG 评分作为效用函数，超越了现有的强化学习方法。

MetaTrader 方法通过模仿不同的专家策略来获取适应不同市场的交易策略，显著优于现有的基线模型。

研究发现大多数深度强化学习算法在组合管理中的表现不够健壮，策略泛化能力差。

提出的基于深度强化学习的组合策略金融投资组合管理框架在加密货币市场上实现了最好的投资回报。

利用强化学习及离线数据集，提出了一种优化定价策略，能应对保险公司在价格比较网站中面临的挑战。

开发了第一个可解释的 DRL 代理投资组合管理金融政策，成功识别影响投资决策的关键特征。