基于动态预测选择与绿色计算的深度强化学习智能投资组合优化模型研究

为解决传统DRL模型在投资策略适应性及监督信息利用不足的问题，研究人员提出动态预测选择深度强化学习（DPDRL）模型，整合多预测器动态优化资产配置。实验显示，该模型在SSE 50和CSI 500指数上实现48.99%年化收益率（ARR）及2.34夏普比率，显著提升风险收益表现，为量化交易提供创新解决方案。

　　

随着中国市场经济快速发展，全球金融市场的多元化和一体化趋势加剧，企业和个人对财富增值的需求日益迫切。股票和证券投资组合管理成为常见选择，但传统方法依赖人工分析，面临效率低、成本高、适应性差等问题。深度强化学习（DRL）虽在金融领域展现出潜力，但现有模型仍存在策略单一、资金分配不合理等缺陷。为此，研究人员提出了一种创新的动态预测选择深度强化学习（DPDRL）模型，旨在通过多预测器整合和市场环境动态评估，实现更智能、更可持续的投资组合管理。

研究团队采用动态预测选择机制，结合资产权重模块和市场环境评估模块，构建了DPDRL模型。关键技术包括：1）多模态预测器训练，提取时间序列特征；2）强化学习（RL）环境下的动态预测选择；3）基于市场数据的资金比例动态调整。实验数据来自SSE 50和CSI 500指数的日K线数据，硬件配置为Intel Xeon CPU E5-2697R v4和GPU RTX 3080。

Problem description
研究明确了投资组合管理的核心任务：在可控风险下最大化收益，并通过DRL代理动态调整资产权重。

Experimental preparation
实验验证了DPDRL模型的优越性，其年化收益率（ARR）达48.99%，夏普比率2.34，年化波动率（AVoL）0.1390，最大回撤（MDD）仅8.21%，显著优于基线模型。

Conclusions
DPDRL模型通过动态预测选择和市场环境评估，解决了传统DRL模型的策略单一和资金分配问题。实验证明其在复杂市场环境中具有更高的适应性和稳定性，为智能投资组合管理提供了新思路。

该研究发表在《Sustainable Computing: Informatics and Systems》，不仅推动了DRL在金融领域的应用，也为绿色计算与可持续投资优化提供了重要参考。作者Yi Xu在论文中全面贡献了从概念设计到实验分析的各个环节，声明无利益冲突，并感谢匿名评审的宝贵意见。