Reinforcement Learning for Portfolio Optimization with a Financial Goal and Defined Time Horizons
Created by
Haebom
Category
Empty
저자
Fermat Leukam, Rock Stephane Koffi, Prudence Djagba
개요
G-Learning 알고리즘과 GIRL 알고리즘을 결합한 혁신적인 포트폴리오 최적화 접근법을 개선하는 연구를 제안합니다. 목표는 투자자의 정기적인 기여를 최소화하면서 목표 날짜까지 포트폴리오 가치를 최대화하는 것입니다. 이 모델은 다변화된 포트폴리오를 통해 투자자의 낮은 위험 수준을 보장하며, 강화 학습을 활용하여 시간에 따라 동적으로 포트폴리오 포지션을 조정합니다. G-Learning과 GIRL의 비교 결과, GIRL은 보상 함수 매개변수를 최적화하지만 포트폴리오 성과에 미치는 영향은 미미했습니다.
시사점, 한계점
•
샤프 비율을 0.42에서 0.483으로 향상시켜 변동성이 큰 시장에서 다변화된 포트폴리오에 대한 성과를 개선했습니다.
•
G-Learning과 GIRL의 비교를 통해 강화 학습 방법이 이미 강력한 최적화를 가능하게 함을 보여줍니다.
•
GIRL 알고리즘을 사용한 보상 함수 매개변수 최적화는 포트폴리오 성과에 미치는 영향이 제한적이었습니다.
