แนวคิดหลัก
심층 강화 학습 기술을 활용하여 자산 가중치 배분을 최적화함으로써 위험 조정 수익을 극대화할 수 있다.
บทคัดย่อ
이 연구는 심층 강화 학습 기술을 활용하여 포트폴리오 자산 가중치 배분을 최적화하는 방법을 제안한다.
- 환경은 28개 자산으로 구성된 포트폴리오를 제공하며, 에이전트는 각 자산에 대한 최적의 가중치를 배분하도록 학습한다.
- 상태 표현에는 자산 가격, 이동 평균, 상관관계 등의 정보가 포함된다.
- 보상 함수는 포트폴리오 일일 수익률로 정의된다.
- 에이전트는 탐험과 활용의 균형을 이루며 Q-네트워크를 통해 최적의 가중치 배분 정책을 학습한다.
- 실험 결과, 제안된 모델이 기존의 포트폴리오 관리 기법들에 비해 위험 조정 수익 측면에서 우수한 성능을 보였다.
สถิติ
포트폴리오 일일 수익률은 평균 0.12%를 기록했다.
포트폴리오 수익률의 변동성은 연간 15.8%로 나타났다.
포트폴리오의 샤프 비율은 0.76으로 계산되었다.
포트폴리오 알파는 연간 7.2%로 나타났다.
포트폴리오 베타는 0.84로 측정되었다.
คำพูด
"심층 강화 학습 기술을 활용하면 자산 가중치 배분을 최적화하여 위험 조정 수익을 극대화할 수 있다."
"제안된 모델은 기존의 포트폴리오 관리 기법들에 비해 우수한 성능을 보였다."