韓道岐，張鈞垚，周玉航，劉 青

中國人民大學 信息學院，北京 100872

1 引言

深度學習技術已廣泛應用于各領域，實現(xiàn)了類似人腦的分類、推理、預測功能。深度強化學習模型進一步解決了過程決策問題，在生物仿真、機器翻譯、工業(yè)制造、自動駕駛控制、優(yōu)化和調度、視頻游戲和圍棋等領域取得了顯著成果[1]，對股票交易領域也將起重要作用。在金融市場中，已有股票預測和操作策略方面的研究[2-4]，在估值、風險評估方面文獻不多，與經(jīng)典量化投資理論相結合的強化學習模型并可實戰(zhàn)的成果更少。

在金融市場量化操作時，研究人員是針對產品價值、眾多指標和周邊環(huán)境影響因素進行綜合評估，形成當前的操作策略。但是往往受限于以下三個方面：

（1）產品信息量不足，不能準確估值。

（2）片面地依據(jù)一個指標，效果很差。

（3）依據(jù)已總結的指標和固定操作策略不能動態(tài)適應環(huán)境變化，抗風險能力弱，策略易失效。

采用基于深度強化學習技術的機器人自動進行股票交易操作，也必然面臨以上問題，因此擴展DQN算法[5-6]，實現(xiàn)智能股票操盤手模型ISTG（Intelligent Stock Trader and Gym），它能更高頻和準確地發(fā)現(xiàn)投資機會；可端到端學習和優(yōu)化操作策略，自動適應環(huán)境變化。模型在完成高收益、低風險關鍵目標的同時，還能輔助判斷市場形勢、投資決策、預測股市未來發(fā)展狀況。

2 相關工作

人工智能發(fā)展經(jīng)過了幾次重大突破[7]，形成了較完備的理論體系，并在2006 年進入深度學習階段[8]，學術界把大規(guī)模訓練數(shù)據(jù)和大規(guī)?？傻木W(wǎng)絡結構作為人工智能的發(fā)展方向。LeCun等[9]提出了類似與人類觀察世界結構方式的自學習，是未來研究重點。強化學習可無監(jiān)督的觀察環(huán)境，主動探索和試錯，能自我總結出優(yōu)秀經(jīng)驗。目前深度學習和強化學習相結合的主動學習系統(tǒng)雖然處于初級階段，但在學習各種視頻游戲方面已經(jīng)取得出色的成果。

2016 年 3 月 9 日，AlphaGo 戰(zhàn)勝李世石[10]，之后深度強化學習DRL（Deep Reinforcement Learning）[11-12]技術發(fā)展迅速。DRL實現(xiàn)了類生物智能體，不受體力和情緒限制，能通過網(wǎng)絡獲得幾乎無限的存儲和計算能力，并結合了深度學習的高維數(shù)據(jù)感知能力、數(shù)據(jù)統(tǒng)計分析的預測能力、強化學習的搜索最優(yōu)操作策略能力，使得智能體[13]能快速成為某個領域的強手。在DRL基礎上，樹搜索、層次化、多任務遷移學習、多agent合作和競爭學習[14]等方法均有很好的應用前景。周文吉等[15]提出端到端的、自動總結抽象的分層強化學習，能夠適應復雜環(huán)境。李晨溪等[16]提出應用知識圖譜和自然語言處理、遷移學習、模仿學習等方法，利用知識更好地指導深度強化學習。

金融市場由于大量復雜因素的相互影響，其數(shù)據(jù)具有不確定性和時序特征，數(shù)據(jù)分析是復雜的非線性和非穩(wěn)態(tài)問題，傳統(tǒng)的統(tǒng)計學模型和海量數(shù)據(jù)挖掘模型在金融預測和序列決策中效果欠佳。量化投資[17]強調建立嚴謹?shù)姆治瞿Ｐ?、高效捕獲機會并自動執(zhí)行，如果自動決策不能針對當前實際情況自適應調整，則風險巨大，因此研究適合的智能決策模型有著迫切的需求。

DeepMind[5]的DQN（深度Q網(wǎng)絡）首次將CNN深度學習模型和Q-learning 相結合，解決了傳統(tǒng)Q-learning難以處理高維數(shù)據(jù)的問題。Double DQN[18]提出使用兩個Q網(wǎng)絡，一個負責選擇動作，另一個負責計算，定期更新計算網(wǎng)絡，克服了Q-learning 過優(yōu)化現(xiàn)象。針對隨機抽取經(jīng)驗導致忽略了經(jīng)驗之間的不同重要程度這個缺陷，文獻[19]采取按優(yōu)先級抽取經(jīng)驗池中過往經(jīng)驗樣本。Dueling DQN[20]提出了一種新的網(wǎng)絡架構，在評估Q(S,A)的時候，同時評估了動作無關的狀態(tài)的價值函數(shù)V(S)和在狀態(tài)下各個動作的相對價值函數(shù)A(S,A)的值，Dueling DQN是一個端到端的訓練網(wǎng)絡。多步合并收益[21-22]可更快地將新觀察到的獎勵傳播到之前觀察到的狀態(tài)，減少了學習樣本。價值分布網(wǎng)絡[23]學習獲得的隨機回報的多個分類分布而非狀態(tài)值函數(shù)，損失函數(shù)變成兩個概率分布的距離，在有相同均值情況下，可以選擇方差（風險）最小的動作。噪聲網(wǎng)絡[24]在參數(shù)上增加噪聲和學習噪聲參數(shù)，并可取消隨機探索，能控制不同場景下的探索隨機性。彩虹網(wǎng)絡[25]實現(xiàn)上述機制的同時有更快的訓練速度和更高的得分。針對需要連續(xù)動作的場景，策略梯度類算法（Policy Gradient）[26]可以直接學習動作，解決無法直接學習值函數(shù)的問題。A3C（Asynchronous Advantage Actor Critic）[22]和 OpenAI 的同步式變體A2C是actor-critic方法上的最優(yōu)實現(xiàn)，actorcritic 方法將策略梯度方法與價值函數(shù)結合，拆分兩個網(wǎng)絡學習兩個不同的函數(shù)：策略和價值。策略函數(shù)基于采取該動作的當前估計優(yōu)勢來調整動作概率，而價值函數(shù)則基于經(jīng)歷和后續(xù)策略收集到的獎勵來更新該優(yōu)勢。分層式強化學習（HRL）則嘗試使用更高層面的抽象策略，形成組合邏輯，Nachum等[27]設計了通過上級控制器自動學習和提出目標來監(jiān)控下級控制器，可用更少樣本和更快速度的交互，學習模擬機器人的復雜行為?？偟膩砜矗疃葟娀瘜W習發(fā)展歷程如圖1所示。

圖1 深度強化學習發(fā)展歷程

深度強化學習目前已應用于金融配對交易、高頻交易和投資組合等領域。Moody等[28]提出的遞歸強化學習（Recurrent Reinforcement Learning，RRL）和Q-learning組合的學習算法，訓練交易系統(tǒng)，通過返回的差分夏普比率做風險調整，實驗結果顯示RRL 系統(tǒng)明顯優(yōu)于監(jiān)督學習系統(tǒng)，同時發(fā)現(xiàn)了Q-learning可能遭受維數(shù)災難，該研究的訓練數(shù)據(jù)使用單一指數(shù)產品、較長周期和月線行情，適用面較窄。Deng等[29]構建了DRL模型，在參數(shù)初始化、特征學習、去噪等過程采用機器學習技術，以提高隨機序列的預測準確率，對股票和商品期貨市場進行交易決策和驗證。該研究的期貨類產品數(shù)量單一，針對期貨類高頻交易使用分鐘周期，依據(jù)收盤價單一指標，不適合其他周期類型。齊岳等[4]首次把深度確定性策略梯度方法DDPG應用到投資組合管理，動態(tài)調整投資組合中資產的權重到最優(yōu)。投資組合是隨機選取的16只股票，輸入的收盤價數(shù)據(jù)信息量少，沒有提出合理選擇投資組合的方法，缺乏較大規(guī)模的組合對照實驗。胡文偉等[30]將強化學習算法和協(xié)整配對交易策略相結合，解決投資組合的選擇問題，使用索提諾比率作為回報指標，實現(xiàn)了模型參數(shù)的自適應動態(tài)調整，收益率和索提諾比率大幅提高，最大回撤明顯下降，交易次數(shù)明顯減少。但債券品種較少，數(shù)據(jù)集規(guī)模小，狀態(tài)指標較少。

針對當前研究普遍存在的股票交易品種少、輸入狀態(tài)少、測試周期短等問題，本文基于深度強化學習的最新成果，與傳統(tǒng)量化理論結合，提取更豐富的股票交易特征，采用更全面的市場數(shù)據(jù)、更準確評估模型性能的指標，端到端訓練模型，以適應不同類型金融產品的投資操作并獲得更大收益。

已有文獻在訓練CNN 和LSTM 模型時，把數(shù)據(jù)加工成圖片模式輸入，本質上增加了無關的背景噪聲，有效信息稀疏，導致只能提取特定的圖片形狀特征。本文直接使用數(shù)據(jù)和指標構建多日滑動窗口，可更靈活地添加特征和擴展歷史天數(shù)，噪聲少、收斂快。針對股票行情，取消DDQN模型訓練時的價值網(wǎng)絡預測輸出各個動作回報、目標網(wǎng)絡預測輸出最大Q值，而直接使用模型的收盤價準確計算回報，加快模型訓練速度。

3 ISTG模型

3.1 目標

ISTG 智能操盤手模型主要目標是在某個市場中，根據(jù)歷史（多日）行情，進行當日的買賣操作，找到最優(yōu)的行動策略，使指定周期范圍的最終收益最大化。

為增強操盤手對市場的把握能力，理論上應利用市場所有股票的全部歷史數(shù)據(jù)。

本文基于經(jīng)典的DQN方法，利用CNN網(wǎng)絡學習和輸出動作價值，Q-learning方法與環(huán)境不斷交互，獲得有回報標簽的訓練數(shù)據(jù)，建立存儲上百萬幀的記憶隊列，隨機采樣小批量數(shù)據(jù)進行模型訓練。ISTG的總體架構如圖2所示。

圖2 ISTG的總體架構

3.2 設計

強化學習的理論基礎是馬爾科夫決策過程MDP。MDP 的模型為一個五元組 ＜S,P,A,R,γ＞ ，其中包括：有限狀態(tài)集S，狀態(tài)轉移概率P，有限行動集A，回報函數(shù)R，計算未來回報折現(xiàn)后的折扣因子γ。強化學習的目標是找到最優(yōu)策略π使得累積回報的期望最大。積累回報Gt定義為：

本文定義股市操作的優(yōu)化目標為最大化一個周期的總收益TR，控制單個動作的幅度風險SR，控制操作次數(shù)風險TO。從量化投資分析角度，可對應到年化收益率、最大回撤率和夏普比率三個量化指標，評估一個階段的操作效果?？芍苯永眯星閿?shù)據(jù)，計算指標折算后的回報值。

策略π是給定狀態(tài)s的情況下行動a的分布：

一個策略π定義了智能體的行為，因此：

操盤手的操作策略有：控制單次買賣數(shù)量、控制風險倉位、控制漲跌成交的幅度、控制止損止盈，可以根據(jù)經(jīng)驗設置智能代理的這些控制參數(shù)。智能代理應能夠全面分析和選擇優(yōu)質股票，在合適時機買入賣出，使投資組合獲得最大上漲可能的同時，盡可能減少操作次數(shù)。

MDP 過程可以采用Bellman 方程（Bellman Expectation Equation）計算策略π獲得的兩個價值函數(shù)，狀態(tài)值函數(shù)vπ和狀態(tài)動作值函數(shù)qπ：

兩個價值目標的最優(yōu)函數(shù)為：

通過找最大化q?(s,a)對應的行動，并迭代，可以找到最優(yōu)策略，得到可存儲值函數(shù)、迭代的Bellman最優(yōu)方程（Bellman Optimality Equation）：

Bellman 最優(yōu)方程實現(xiàn)了迭代的分解，價值函數(shù)v存儲和再利用。按照動態(tài)規(guī)劃原理，如果已知子問題的最優(yōu)解v?(s′)，那么對于后繼狀態(tài)是s′的狀態(tài)s，均可找到最優(yōu)解：

本文設計了圖3 所示系統(tǒng)工作流程實現(xiàn)上述求最優(yōu)解原理。在圖3中的原始數(shù)據(jù)整理模塊，預先收集加工相關數(shù)據(jù)，形成以下輸入信息：智能代理狀態(tài)、環(huán)境狀態(tài)、序列狀態(tài)，形成多日的時間窗口矩陣。通過DQN網(wǎng)絡模型，迭代計算策略的最優(yōu)解。由于股市具有不同周期特點，數(shù)據(jù)加工模塊可針對各種典型周期數(shù)據(jù)，加工后進行學習和分析結果。AGENT模塊每天優(yōu)選回報最優(yōu)的產品，按大概率獲利策略操作，形成實際的最優(yōu)投資組合。

圖3 系統(tǒng)工作流程

具體迭代過程為：已知下一步的信息v?(s′)，遞推當前的信息v?(s)，從后往前計算，形成最優(yōu)動作，構成整個策略。如果采用貪心算法，每次策略π都選到該狀態(tài)下qπ(s,a)值最大時所對應的行動a，當Q值不能再改進時，模型收斂：

此時滿足bellman最優(yōu)方程：

對于所有的s∈S，都滿足vπ(s)=v?(s)，此時π為模型學會的最優(yōu)策略。設計了一個復盤環(huán)境SGYM，即ISTG 中的Stock GYM 模塊。它回放過程，形成充足的狀態(tài)s，準確計算狀態(tài)s的回報，訓練智能代理搜索和存儲策略π。智能代理不斷主動行動和存儲經(jīng)驗，學習一個行動生成模型，不斷減少當前策略和最優(yōu)策略的回報差距，最終每次都能選擇類似狀態(tài)下的一個最優(yōu)行動A，其回報qπ(s,a)最大（公式（15））。

SGYM 的回報設計，體現(xiàn)總收益TR目標的最大化，單步收益SR目標的時機、價格幅度、買賣數(shù)量三者最優(yōu)化，操作次數(shù)TO目標的上漲概率、交易成本、波動風險三者最優(yōu)化，針對不能成交操作、反向的錯誤判斷成交增加額外懲罰。實現(xiàn)多目標最優(yōu)方程如下：

目前在AGENT模塊中的狀態(tài)加工和量化策略控制基于規(guī)則實現(xiàn)，這一方面能直接利用現(xiàn)有的優(yōu)秀量化控制策略，減少失誤，另一方面便于發(fā)現(xiàn)優(yōu)秀策略的操作特征，總結經(jīng)驗。其中經(jīng)驗參數(shù)優(yōu)化問題，后續(xù)可通過強化學習解決。

3.3 實現(xiàn)

為了建立SGYM，本文把股票信息分為四個部分：智能代理發(fā)出操作前的狀態(tài)、對應股票的行情狀態(tài)、指標狀態(tài)、宏觀經(jīng)濟狀態(tài)，共37個特征，如表1～4所示。

表2 股票行情狀態(tài)的特征描述

表3 行情分析指標狀態(tài)的特征描述

表4 宏觀經(jīng)濟指標狀態(tài)的特征描述

AGENT 針對一個股票執(zhí)行買賣操作后，SGYM 根據(jù)操作計算返回表1 中6 個狀態(tài)字段，直接使用第二天的行情、行情的分析指標、宏觀經(jīng)濟的分析指標，返回表2～4的相關特征。

在加工好上述數(shù)據(jù)后，SGYM可指定一個目錄下的股票數(shù)據(jù)，創(chuàng)建環(huán)境對象。每個回合初始化時，使用隨機策略選擇一個股票，初始化AGENT 該股票賬戶的總價值和指定比率的股票，返回初始狀態(tài)。有0至20共21個行動標簽，分別為賣出10手到買入10手。AGENT發(fā)出行動，SGYM 執(zhí)行一步操作，調整智能代理狀態(tài)和輸出下一日狀態(tài)，計算回報值?；貓罂梢允窍乱蝗盏目們r值的增減，或是收益率增減，或是本次操作股票成交后的價值增減。針對成交情況，扣減千分之一手續(xù)費，針對不能成交情況做千分之三的懲罰，針對反向操作（買入第二天下跌，賣出第二天上漲）追加百分之一的懲罰。AGENT 使用百萬幀空間存儲＜s,a,r,s′＞的每次經(jīng)驗數(shù)據(jù)，異步隨機采樣訓練模型，打破樣本相似性，減少模型不穩(wěn)定對行動預測的影響。ISTG的經(jīng)驗回放策略采用了一些優(yōu)化技巧：開始時隨機執(zhí)行空操作（NO_OP），等待狀態(tài)窗口中有效歷史數(shù)據(jù)的積累；間隔5 步行動、累積較充分經(jīng)驗后，訓練模型一次；存儲到5 萬個隨機策略后，再開始訓練；超過10%損失掉命重新開始回合，這樣經(jīng)驗池可保存更多的優(yōu)秀策略。這種離策略模型可以發(fā)現(xiàn)利用優(yōu)先級高的經(jīng)驗、發(fā)現(xiàn)利用高分的回合、注入人類加工的優(yōu)秀策略，總結經(jīng)驗、加快智能代理的學習。

DQN模型的網(wǎng)絡結構如圖4所示，由3個卷積層和2個全連接層構成，網(wǎng)絡參數(shù)與經(jīng)典的DQN一致。使用連續(xù)滑動4 日的窗口作為輸入的4 個通道，每個窗口幀為20 天的37 個特征組成的矩陣。輸出為21 個動作的Q值。本文建立了模型保存和恢復機制，可以階段性保存成果，重入后使用新的匹配參數(shù)繼續(xù)訓練網(wǎng)絡。

DQN 模型的關鍵是針對Q值函數(shù)學習，最終能夠收斂、準確預測各種狀態(tài)下每個動作的Q值。根據(jù)Bellman期望方程可計算Q值：

圖4 網(wǎng)絡結構

其中，r為回報，Q*為下一步的最大Q值，γ為折現(xiàn)因子，γ設為0時，模型只關心當前收益，γ設為1時，模型均衡考慮當前收益和下一步的最大Q值，初始值設為0.95。模型預測能力越強，γ越應趨向1。AGENT決策行動時，使用模型預測各步的Q值，每次都按最大Q值的動作行動。AGENT 離策略訓練模型，隨機提取經(jīng)驗池中小批量數(shù)據(jù)，根據(jù)經(jīng)驗記憶中的狀態(tài)預測各動作Q值，根據(jù)下一個狀態(tài)，預測獲得下一步最大Q值并折扣累加到當前動作的Q值上，即r+γmaxQ(s′,a′)作為期望的Q值。根據(jù)方程（17）使用 (r+γmaxQ(s′,a′)-Q(s,a))2作為損失，梯度下降訓練模型，預測結果更接近綜合了下一個狀態(tài)情況的Q值。

探索和開發(fā)過程是強化學習不斷試錯，獲得環(huán)境回報標簽和利用經(jīng)驗數(shù)據(jù)學習的交替過程。模型初期預測Q值不準確，與隨機動作效果類似，隨著各種狀態(tài)的學習，Q值越來越準確后，預測結果變平穩(wěn)，從而會減少探索到新的有效策略的能力。DQN采用了e貪心選擇，有e概率選擇隨機動作，否則按預測的最大Q值選擇動作，初始e為1，最終穩(wěn)定到0.1，差值0.9 按照百萬幀平均到每個幀上，隨著訓練過程線性衰減e。記錄初始的5萬個隨機動作過程時，無需訓練。

算法1智能代理探索和開發(fā)過程

輸入：環(huán)境env,代理agent

輸出：模型結果model，訓練過程的reward、maxq、return rate

1.for 在指定回合內

2.環(huán)境env.reset獲得當前股票和初始狀態(tài)state

3.組織初始窗口，state重復20次形成20*37矩陣states

4.while當前股票周期未完成

5.代理ε貪心選擇動作agent.ac（tstates）

6.環(huán)境執(zhí)行動作env.step（action）

7.states窗口滑入一天數(shù)據(jù)作為下一天狀態(tài)

8.代理記憶經(jīng)驗數(shù)據(jù) ＜s,a,r,s′＞

9.價值損失超過10%結束當前回合

10.agent 記憶內存超過 5 萬幀并每隔 5 幀，replay 訓練模型一次

11.end

12.end

由于股票具有可復盤歷史數(shù)據(jù)和直接計算第二天收益的特點，原DDQN方法訓練模型時需要使用目標網(wǎng)絡T預測最大Q值的處理，ISTG 模型改成直接使用SGYM 計算出準確的動作回報和動作的最大Q值，使得每步都可以獲得確定性的動作值，加快模型的收斂速度。

4 實驗和性能

4.1 環(huán)境

實驗的硬件環(huán)境為Intel i7-6700HQ 4C/8T，主頻2.6 GHz（MAX 3.5），16 GB內存，顯卡NVIDIA GeForce GTX 960M，2 GB GPU內存。軟件環(huán)境為Windows 10操作系統(tǒng)，Python 3.6開發(fā)平臺，keras和tensorflow深度學習框架。

4.2 數(shù)據(jù)準備

收集的數(shù)據(jù)有中國2007 年至2018 年的1 479 只股票的行情數(shù)據(jù)，上證綜指和宏觀經(jīng)濟數(shù)據(jù)。經(jīng)過加工后，形成了37個特征。

數(shù)據(jù)預處理模塊對缺失字段，進行填充零值處理。針對宏觀經(jīng)濟數(shù)據(jù)按日重新采樣插入每日記錄，貨幣供應量增長率M1和M2后取值、插值到下一個月末，其他諸如利率和匯率前取值、插值到下一個變更點。由于相關字段數(shù)據(jù)范圍穩(wěn)定，本文統(tǒng)一歸一化到0～1 之間，對日期和股票代碼字段進行0～n個類標簽的整數(shù)編碼。最終按時間拆分數(shù)據(jù)成2007—2014 年的訓練數(shù)據(jù)集TN1，2015—2017年測試數(shù)據(jù)集TS1，還提取了2015年大幅波動趨勢RG2015和2018年總體下降趨勢RB2018的兩個典型數(shù)據(jù)集，用于對比不同周期情況下的模型效果。

4.3 實驗結果

為了評估本文提出的智能股票交易手的性能，設計了四種實驗方案：買入持有策略ev_hold，使用每日資產收益回報和目標網(wǎng)絡計算Q值ev_tq，初始時股票占一半的ev_tqh，使用 SGYM行情數(shù)據(jù)計算Q值ev_mq。

第1 種ev_hold 方案，所有股票初始化同樣的資金后，每次1手買入直到使用完資金。各數(shù)據(jù)集復盤后平均收益率如表5所示。

表5 ev_hold方案數(shù)據(jù)集的復盤結果

第2 種是ev_tq 方案，所有股票初始化同樣的充足資金。訓練階段分別運行1 000、2 000、5 000、10 000 個回合，使用TN1 數(shù)據(jù)集進行四次訓練，獲得四個不同能力的模型和訓練過程數(shù)據(jù)?？伸`活根據(jù)上次訓練情況，動態(tài)調整超參數(shù)，裝載上次訓練的結果模型后進入下一次訓練。多輪訓練的資產收益率、平均最大Q值、回報的學習情況趨勢如圖5所示。經(jīng)過一千多回合后，平均最大Q值開始穩(wěn)定下降，趨向17 000?？梢钥闯鲈黾踊睾蠑?shù)，回報值逐步穩(wěn)定，5 000 回合后資產收益率變平穩(wěn)，學習階段收益率可達最大5 000%，最小值-24%，均值22%。

在TS1 測試集上，ev_tq 方案使用訓練獲得的四個DQN，分別測試1 479只股票的分布情況見圖6，可以看出2 000回合后模型收益率差異不大。

圖5 ev_tq訓練的資產收益率、平均最大Q 值、回報趨勢

圖6 ev_tq測試的各股票資產收益率、平均最大Q 值、回報情況

ev_tq 方案測試的關鍵評估指標情況見表6，對比ev_hold方案，其收益率和夏普比率的均值高。

表6 ev_tq和ev_hold方案測試集上關鍵指標對比%

分析ev_tq 方案最終的資產總收益率情況，發(fā)現(xiàn)測試集TS1 中的股票，如亨通光電、貝瑞基因、分眾傳媒、水井坊、南京新百等，收益可達4～5倍，比買入持有的收益更高。控制最大回撤在20%～30%區(qū)間時，恒瑞醫(yī)藥、五糧液、貴州茅臺、南極電商等保存了2～3 倍的高收益率，同時回撤風險也較小。

實驗驗證了ISTG 在資產收益率和夏普比率方面結果較好。為進一步對比時序上的總體操作效果，本文分析了ev_hold 和ev_tq 方案在測試集上的總收益率變化過程。通過計算1 479個股票的每日資產均值和標準差，顯示總收益率在3 年中的變化趨勢，如圖7 所示，可以看出ev_tq在各時間段都超過ev_hold，兩個方案均在2015 年5 月達到最大收益水平。而陰影表示的標準差，隨時間推移逐步擴大，顯示了模型的穩(wěn)定性在逐步下降。

圖7 資本總收益率對照

由于ev_tq 方案的全部初始化持有資金處理，導致模型學習的動作偏向買入，圖7 顯示資金用完后，方案效果與買入持有的完全一樣。本文設計了第3種ev_tqh方案，嘗試初始化一半股票，初始時買入和賣出動作都可以獲利。同樣進行四輪訓練后，發(fā)現(xiàn)模型能夠學會減少頻繁操作，買賣操作也更均衡。在訓練集上的收益率達到最大7 000%，遠超全部初始化成資金的效果。在測試集上進行驗證，ev_tqh 與買入持有ev_hold 的對照效果如圖8所示。

圖8 初始化一半股票情況下資本總收益率對照

再對比分析兩種不同初始化效果的圖8 和圖7，在2016年至2018年之間，ev_tqh方案的資產收益很穩(wěn)定，陰影表示的標準差區(qū)間更小、也更穩(wěn)定。最終的總體平均收益率為24.43%，超過全部初始化成資金的13.73%。

在觀察到ev_tq 模型的loss 值較大后，實驗第4 種ev_mq 方案，采用單個動作操作計算回報，實現(xiàn)SGYM直接計算Q值、取消目標網(wǎng)絡的策略，使用logcosh做損失函數(shù)，減少異常樣本的影響。

4.4 性能分析

最終針對四種實驗測試方案：ev_hold、ev_tq、ev_tqh和ev_mq，統(tǒng)計分析總收益率趨勢capital rate、最大回撤率withdraw rate 指標，結果如圖9 所示?？偸找媛省⒆畲蠡爻仿蕛蓚€指標都是ev_tqh效果最好，而ev_mq的效果不佳，還需要研究更好的回報計算方法。

圖9 四種方案總收益率和回撤率對照

為對比模型的泛化能力，使用2015 牛市和2018 熊市進行實驗收益情況對比。發(fā)現(xiàn)ev_tq 的2015 年平均收益率49.60%遠高于買入持有ev_hold的15.42%，2018年的平均收益率-30.27%，低于ev_hold的-18.07%。分析原因為：訓練數(shù)據(jù)集TN1 為中國經(jīng)濟快速增長的周期，模型習得策略更適合諸如數(shù)據(jù)集RG2015 的趨勢增長年份，而且數(shù)據(jù)集RB2018 離訓練數(shù)據(jù)集TN1 較遠，模型表現(xiàn)更不穩(wěn)定，影響測試效果。

4.5 問題分析

本文在實驗過程中發(fā)現(xiàn)了三個問題：

（1）使用累計收益作為回報而不是當前操作股票的回報，會使模型缺乏短期操作策略。

（2）DQN模型輸出較多不能成交操作，比如不能發(fā)現(xiàn)資金不足和股票不足的狀態(tài)。操作也比較頻繁。

（3）ev_tq 方案的 loss 值遠超過模型的輸出Q值，波動大，狀態(tài)的影響遠超過單個動作的回報。而ev_mq方案只有單個動作回報，又缺失了狀態(tài)價值影響。

針對上述問題，后續(xù)可進一步優(yōu)化模型。隨機初始化資金和股票占比，可進一步提高操作靈活性。要提高模型的泛化能力，可在隨機初始化狀態(tài)、更長周期數(shù)據(jù)、更多不同周期特征數(shù)據(jù)集的加工等方面開展研究。

5 結束語

本文提出的智能股票操盤手ISTG 模型采用DQN深度強化學習技術，選擇中國股市的12 年有效行情數(shù)據(jù)，8年數(shù)據(jù)進行訓練學習，3年數(shù)據(jù)測試模型的整體操作策略效果，1年典型周期數(shù)據(jù)進行對比。該模型可觀察到股票市場大量產品的價格變化，隨機操作，發(fā)現(xiàn)規(guī)律，形成操作策略，較好地適應這個市場環(huán)境。

ISTG 模型學習-10 至10 手的較大范圍操作動作，考慮了不能成交操作和交易手續(xù)費的懲罰，使用CNN深度網(wǎng)絡學習20 天37 個特征的滑動窗口數(shù)據(jù)，輸出最大Q值動作，比繪制圖片方式做輸入數(shù)據(jù)的效率更高。

針對股市操作有延遲獎賞和部分狀態(tài)可觀測問題，利用智能代理本身的收益增長情況累計回報，學習較長期的有效策略。在三年較長測試數(shù)據(jù)集上收益率實現(xiàn)了超越買入持有模型。

后續(xù)研究將逐步增加深度強化學習的最新技術，不斷增強模型學習策略能力。尋找高層抽象邏輯記憶和控制住智能代理的方法。