金融工程行业分析：利用强化学习和文本网络改进相关矩阵估计.pdf

金融工程行业分析：利用强化学习和文本网络改进相关矩阵估计。

RL-TBN 基于文本的网络的强化学习模型构造

通过融合强化学习的动态优化与文本网络（TBN）的结构化先 验，提出了一种数据驱动的协方差矩阵估计框架。在强化学习方面， 采用了近似策略优化（PPO）算法，而自然语言处理分析则依靠 TBN 来衡量企业间的产品相似性。实施方法与协方差矩阵收缩的文献 （Ledoit & Wolf，2022）一致， TBN 设定了目标相关矩阵，而 RL 则 以数据驱动的方式确定了收缩强度。

RL-TBN 性能

RL-TBN 组合在多个指标上优于传统方法，表现出较低的波动率 （0.088），较高的夏普比率（1.351）和较低的 VaR（0.129）。与等 权重组合相比，其波动率和夏普比率显著提升。RL-TBN 在不同资产数 量和窗口长度下均显示出稳定的优势，且在考虑交易成本后仍保持最 佳表现。此外，TBN 对股票相关性和方差的预测有效。

RL-TBN 机制分析

TBN 对股票相关性的预测能力强，且其冲击可能导致相关性下降。 方差缩减机制验证显示低方差 TBN 组合表现优越。RL 策略对宏观经济 不确定性敏感，显示出动态适应性；TBN 与股票相关性的非线性关系验 证了 RL 策略调整收缩强度的必要性。