交易信心：算法交易中的全面不确定性估计

arXiv cs.LG 论文
reinforcement-learning uncertainty-estimation algorithmic-trading financial-markets stochastic-volatility lstm mc-dropout

摘要

提出了一种面向算法交易的不确定性感知强化学习框架，通过SHAP加权重构、MC Dropout和LSTM共识机制，整合了分布性、认知性和偶然性不确定性。在五大美国股票指数上，其表现优于传统模型。

arXiv:2607.02864v1 公告类型：新 摘要：强化学习（RL）已成为金融交易中的一种强大方法，使智能体能够通过直接与市场交互来学习最优策略。然而，金融市场高度不确定，价格波动源于随机波动性、模型局限性以及市场机制的转变。传统的RL模型在动态环境中难以适应，往往无法应对突发的市场干扰，导致交易决策次优。为了解决这一挑战，我们提出了一种不确定性感知的RL框架，该框架整合了分布性、认知性和偶然性不确定性估计。我们的方法通过SHAP加权重构不确定性、MC Dropout以及基于LSTM的技术指标共识机制来增强不确定性估计。在五大美国股票指数上的实验结果表明，配备不确定性估计的RL智能体在回报和风险管理方面显著优于传统模型。本研究推进了基于RL的金融交易中的不确定性估计，未来研究将将其应用扩展到其他资产类别和替代RL架构，以提升适应性。
查看原文
查看缓存全文

缓存时间: 2026/07/07 04:39 

# 交易信心：算法交易中的全面不确定性估计
来源：https://arxiv.org/abs/2607.02864
查看 PDF (https://arxiv.org/pdf/2607.02864)

> **摘要：** 强化学习（RL）已成为金融交易中的一种强大方法，使智能体能够通过直接与市场互动来学习最优策略。然而，金融市场高度不确定，价格波动受随机波动率、模型局限性以及制度性转换的驱动。传统的 RL 模型在动态环境中难以应对，往往无法适应突发的市场干扰，导致交易决策次优。为应对这一挑战，我们提出了一种不确定性感知的 RL 框架，该框架整合了分布性不确定性、认知不确定性和偶然不确定性的估计。我们的方法通过 SHAP 加权重构不确定性、MC Dropout 以及基于 LSTM 的技术指标共识机制来增强不确定性估计。对五大美国股指的实验结果表明，配备了不确定性估计的 RL 智能体在收益和风险管理方面显著优于传统模型。本研究推动了基于 RL 的金融交易中的不确定性估计发展，未来研究将把其应用扩展到其他资产类别和备选 RL 架构，以增强适应性。

## 提交历史

来自：Lin Li [查看邮件 (https://arxiv.org/show-email/959c50c0/2607.02864)] **\[v1\]** 2026年7月3日（星期五）02:02:15 UTC (1,638 KB)

相似文章

AI-Trader：在实时金融市场中对自主智能体进行基准测试

Papers with Code Trending

本文介绍了 AI-Trader，这是首个用于评估大语言模型（LLMs）在美股、A股和加密货币等金融决策方面的全自动实时基准测试平台。研究指出，通用智能并不必然保证交易成功，并强调了在自主智能体中风险控制的重要性。