金融工程行業分析：利用強化學習和文本網絡改進相關矩陣估計.pdf

金融工程行業分析：利用強化學習和文本網絡改進相關矩陣估計。

RL-TBN 基于文本的網絡的強化學習模型構造

通過融合強化學習的動態優化與文本網絡（TBN）的結構化先 驗，提出了一種數據驅動的協方差矩陣估計框架。在強化學習方面， 采用了近似策略優化（PPO）算法，而自然語言處理分析則依靠 TBN 來衡量企業間的產品相似性。實施方法與協方差矩陣收縮的文獻 （Ledoit & Wolf，2022）一致， TBN 設定了目標相關矩陣，而 RL 則 以數據驅動的方式確定了收縮強度。

RL-TBN 性能

RL-TBN 組合在多個指標上優于傳統方法，表現出較低的波動率 （0.088），較高的夏普比率（1.351）和較低的 VaR（0.129）。與等 權重組合相比，其波動率和夏普比率顯著提升。RL-TBN 在不同資產數 量和窗口長度下均顯示出穩定的優勢，且在考慮交易成本后仍保持最 佳表現。此外，TBN 對股票相關性和方差的預測有效。

RL-TBN 機制分析

TBN 對股票相關性的預測能力強，且其沖擊可能導致相關性下降。 方差縮減機制驗證顯示低方差 TBN 組合表現優越。RL 策略對宏觀經濟 不確定性敏感，顯示出動態適應性；TBN 與股票相關性的非線性關系驗 證了 RL 策略調整收縮強度的必要性。