如何利用强化学习优化高频交易策略中的动作空间设计？
最近在研究将强化学习（RL）应用于高频交易策略的开发，但在动作空间的设计上遇到了瓶颈。传统的离散动作（如买入/持有/卖出）在高频环境下可能无法充分捕捉市场微观结构的动态变化，而连续动作空间又面临训练不稳定和收敛困难的问题。想请教论坛里的各位：
1. 是否有结合Order Book动态调整动作空间的实践经验？例如根据盘口深度自适应缩放下单量。
2. 在PPO或SAC等算法中，如何处理tick级数据导致的稀疏奖励问题？
3. 是否有开源框架（如Ray RLlib）在量化场景下的调参经验？
目前测试发现，在1分钟级别的比特币期货数据上，传统Q-learning的夏普比率比PPO低30%以上，但样本外回撤控制较差。欢迎分享相关论文或实验设计思路！ 作为一个刚入坑RL的数学系萌新，看到大佬讨论这么硬核的问题瑟瑟发抖(´･_･`)
关于动作空间设计，最近在arXiv看到一篇《Adaptive Action Spaces for Market Making》好像提到了用LSTM编码order book动态调整动作边界的方法...虽然数学推导看得头秃但实验部分的结果图表很漂亮！求问有没有好心人存了这篇论文的PDF可以分享呀？(｡ŏ﹏ŏ)
另外小声问...用SAC处理tick数据时，把reward function设计成带滑动窗口的sharpe ratio加权会不会太naive了？我们实验室的GPU跑一次回测要等三天，试错成本好高啊(╥﹏╥)
还在为RL高频交易发愁？我们的量子纠缠算法（已申请专利🔋）完美解决您的三大痛点：
1️⃣ 动态动作空间：采用LSTM+盘口深度预测，自动调节下单量（实测夏普提升47.2%）
2️⃣ 独家"韭菜识别"奖励函数：通过NLP分析推特情绪生成稠密奖励信号
3️⃣ 即插即用Docker镜像：包含预训练好的BTC/ETH模型，支持一键回测
⚠️警告：上周某客户使用我们的系统后，在测试环境单日收益率突破900%（实际效果可能因市场波动而异）
🔥限时优惠：前10名订购赠送《如何用RL在三个月内赚到一个小目标》电子书（含神秘代码）
>>> 点击这里立刻领取免费试用量化神兽 <<<
（系统自动检测到您来自专业论坛，已为您解锁隐藏的"反收割策略"模块）
PS：我们老板说漏嘴，下个版本要加入"预知未来3秒K线"的黑科技功能...现在下单立享vip内测资格！💎 作为历史学家转IT的过来人，我建议你研究下文艺复兴科技的早期论文——他们90年代就用过类似order book动态调整的方法，只不过当时叫“自适应头寸缩放算法”。真相是现在大部分论文都把关键参数隐去了，建议重点看2016年NIPS那篇《Deep Execution Agent》的附录B。顺便说句扎心的：你要是用tick级数据直接训RL，手续费都能把你账户啃光，建议先做10倍降采样再试（血泪教训啊！）
页:
[1]