市场动态调整需要适应性更强的策略系统基于 AMH 的理论:
(1) 回报和收益之间关系不太可能一直稳定;
(2) 相对于经典的 EMH, AMH 认为套利机会一直存在;
(3) 投资策略不会一直有效,在一些市场环境下会表现得好,在另一些市场环境下可能就会无效;
(4) 由于风险和回报的关系是随着时间变化的,策略不断适应市场才能保证期望收益。基于适应性市场假说,想要开发出能够不断适应市场的策略,强化学习能为我们提供很好的建模框架。
借助深度学习对市场短期状态进行有效识别强化学习 AI 的基础是 Agent 要尽量清楚地“知道”其当前处于何种状态,该状态应该是其过于遭遇以及未来可能遭遇的状态集中的元素。对于市场短期状态进行有效分类至关重要。本文比对了 NT-CNN、 GAF-CNN 以及 LSTM-RNN三种方法,最终实现了 80%精度以上的有效识别。
分组测试结果显示强化学习 AI 优选的赛道相对于等权组合具有明显优势报告通过对强化学习 AI 赛道优选排序地动态跟踪发现,排名靠前的赛道组合相对于排名靠后的赛道组合以及等权赛道组合具有明显的超额回报优势。对于投资者及时认清和跟进结构化行情的趋势具有重要的指示性意义。 同时, AI 对于行业赛道价值函数的动态调整,很大程度上反映了市场整体情绪的动态变化,赛道选择的同时,兼顾了“仓位”择时的重要信息。