[量化]夏普比率3.27，通过DQN算法进行上证指数择时强化学习策略

本文完整展示了一个将强化学习用于股票投资的案例，呈现了大量算法细节和实验分析，非常值得收藏深研。

原文 | 强化学习初探与 DQN 择时（公众号关注nutquant，回复 0118，下载PDF原文查看更多细节）

来源 | 华泰金工

作者 | 林晓明、李子钰、何康

1. 摘要

本文分享的工作使用DQN强化学习算法构建上证指数日频择时策略，使用2007 至2016 年的数据作为为训练集训练模型，在2017至2022年6月的测试集进行策略回测，年化超额收益率 18.2%，夏普比率1.31，年均调仓42.0 次；进行超参优化后，年化超额收益率提升至 37.0%，夏普比率提升至3.27，年均调仓35.5次。

2. 背景知识

2.1 强化学习

与监督学习直接通过优化算法逼近标准答案（标签）不同，强化学习在没有标准答案的情况下，通过在环境中进行试错来学习策略以达成回报最大化。有标准答案的监督学习是人们对现实进行抽象与简化，构建出的乌托邦；而没有标准答案的强化学习，更接近世界的本质，也更接近真正意义上的“人工智能”。 强化学习的核心思想是个体通过与环境的交互，从反馈信号中进行学习。正如游戏玩家通过尝试多种策略，积累对游戏规则的理解；投资者通过交易行为，积累对市场规律的认知。如果某种行为可以使得投资者获得收益，那么这种行为将得到“强化”。强化学习由智能体和环境两部分构成。智能体（agent）是能够采取一系列行动并期望获得 高收益或者达到某一目标的个体，如游戏玩家，投资者。影响智能体行动 学习的其他因素统一称为环境（environment），如游戏的规则，投资标的和市场上其他参与者等。 智能体和环境每时每刻都会进行交互。智能体首先观察环境的状态（state），采取某种动作 （action），该动作对环境造成影响。随后，环境下一刻的状态和该动作产生的奖励（reward） 将反馈给智能体。智能体的目标是尽可能多地从环境中获取奖励。我们在下图以股票交易为示例，整个股票市场就是环境，股票价格，技术指标等信息是状态，买卖股票的交易操作是动作，收益是奖励。智能体首先观察环境，采取行动与环境互动，获得正向或负向奖励。随后，智能体借助反馈修正策略，尽可能最大化奖励。这与投资交易场景非常匹配。投资者首先观察市场，采取买入、卖出、持有等动作，产生盈亏。随后，投资者通过复盘修正投资策略，目标是最大化预期收益。

2.2 DQN算法

2015 年，DeepMind 在 Nature 发表论文 Human-level control through deep reinforcement learning，首次将深度强化学习应用于游戏领域并战胜人类，论文采用的强化学习算法正是 深度 Q 网络（Deep Q-learning Network，下文称 DQN）。 DQN 有一个记忆库用于学习之前的经历。Q learning 是一种 off-policy 离线学习法，它能学习当前经历着的， 也能学习过去经历过的， 甚至是学习别人的经历。所以每次 DQN 更新的时候， 都可以随机抽取一些之前的经历进行学习， 随机抽取这种做法打乱了经历之间的相关性， 也使得神经网络更新更有效率。DQN 中使用到两个结构相同但参数不同的神经网络， 预测Q估计的神经网络具备最新的参数， 而预测Q现实的神经网络使用的参数则是很久以前的，这样能够提升训练的稳定性。有关算法更多的详细描述可以参考文献[2]。

3. 本文方法

本文工作主要分为以下几部分：

1. 强化学习的第一步是正确定义问题，对股指日频择时问题进行马尔可夫决策过程建模，定义状态空间、动作空间、状态转移矩阵、奖励函数、折扣因子构成的五元组。
2. 第二步是确定强化学习算法设置。择时问题中，将智能体的决策空间简化为全仓做多、持有、 平多三种动作，动作空间属于离散集，因此选择基于价值的方法中的 DQN。进而构建 深度神经网络，包括确定网络结构、训练参数等。
3. 强化学习对超参数敏感，对超参数进行参数敏感性分析。

3.1 定义问题

状态空间 表征状态的原始数据为股指在回看区间内日度开盘价、最高价、最低价、收盘价。预处理 方式为计算 t-lookback+1 至 t 日行情数据相对于过去 252 个交易日收盘价的 Z 分数。因此状态空间为 lookback*4 维实空间。回看区间 lookback 取 5 个交易日，同时测试 10 和 15。 动作空间 动作空间定义为{buy, sell, hold}。其中 buy 代表全仓买入，sell 代表全仓卖出，hold 代表持有多仓或者保持空仓，不涉及做空。基于t日收盘价的状态选择动作，以t+1日开盘价执行交易。 状态转移矩阵 我们无法对股票市场的状态转移进行精确描述，状态转移矩阵对于智能体而言是未知的。因此采用免模型方法中的 DQN，免模型方法不需要状态转移矩阵，智能体通过与环境互动进入下一状态。 奖励函数奖励分四种情况：

1. 当前未持仓，且 At 为 buy 时，奖励为预测区间内扣费后多头收益率：

当前未持仓，且 At 为 sell 或 hold 时，奖励为预测区间内空头收益率：

当前持多仓，且 At 为 sell 时，奖励为预测区间内扣费后空头收益率：

当前持多仓，且 At 为 buy 或 hold 时，奖励为预测区间内多头收益率：

其中 TC 为单边交易费率，本文取万分之五；Closet+horizon为 horizon 日收盘价，预测区间horizon 取 5 个交易日，同时测试 1 和 10。 折扣因子折扣因子默认取 0.9，同时测试 0.5 和 0.7。

3.2 算法设置

Q 网络是 DQN 的核心组件，本文 Q 网络结构为 3 层全连接网络，如下图所示。

算法的主要步骤如下： 1. 初始化 Q 网络和目标网络； 2. 数据预处理，每个交易日 t，计算 t-lookback+1 至 t 日指数开高低收价格相对过去 252 日收盘价的 Z 分数，作为该日的观测状态； 3. 遍历训练集，构建四元组：按时间顺序，遍历训练集内每个交易日。通过 Q 网络计算该日状态的动作价值 ，通过 ε-贪心算法得到动作a；根据动作和奖励规则， 确定奖励值r（即 t 至 t+horizon 日多头或空头收益）；将 t+horizon 日状态视作新的状态 ，由此得到每个交易日的(s,a,r,s’)四元组。 4. 存入回放缓冲区：将该条经验存入回放缓冲区。当回放缓冲区装满时，删除最早的一条数据。 5. 经验回放，优化 Q 网络：每得到一条经验，都对回放内存进行随机采样，得到小批量样本。基于 Q 网络和目标网络计算 Q 网络损失 L(θ)，采用优化器更新Q网络参数。 6. 每隔指定epoch数量更新目标网络：每完整遍历一轮训练集，视作一个epoch。当训练轮数达到指定epoch次数时，停止训练。 7. 使用不同随机数种子合成信号，测试集回测：每组随机数种子训练一组 Q 网络。按时间顺序， 遍历测试集内每个交易日。根据该日状态 s 及训练好的 Q 网络计算动作价值，选择动作价值最高的动作 argmaxaQ(s,a;θ)。100 组随机数种子结果以多数票规则合成，得到最终交易信号。当处于空仓状态时，若动作为 sell 或 hold 则继续保持空仓，若动作为 buy 则于次日开盘做多。当处于做多状态时，若动作为 buy 或 hold 则继续保持做多， 若动作为 sell 则于次日开盘平仓。

4. 实验分析

4.1 数据

数据为上证指数 2007-01-04至 2022-06-30日度行情数据。其中 2007至 2016年为训练集，用来训练强化学习策略；2017 至 2022 年为测试集，用来评估策略表现。

4.2 超参数

4.3 回测分析

原始超参数为：折扣因子 γ=0.9，回放内存 replay_memory=32，回看区间 lookback=5，预测区间 horizon=5。择时策略样本外年化超额收益率为 18.2%，夏普比率为 1.31，年均调仓 42.0 次。

不同折扣因子收益率表现：γ=0.5 和 0.7 接近，γ=0.9 较差。折扣因子 γ 越小，远期奖励权重越低，越关注短期收益，有利于择时策略。

不 同 回 放 内 存 收 益 率 表 现不同，其中replay_memory=32 最好， replay_memory=16 次 之 ， replay_memory=64 最差。回放内存和另一个超参数小批量样本数有关联。此处小批量样本数为 16，那么当回放内存为 16 时，每次取回放内存中的全部样本参与训练，失去了随机采样的意义，有损于模型训练。当回放内存较大时，回放内存中包含了相对久远的经验， 好比成年人用儿童的经验学习，也会有损于模型训练。

不同回看区间收益率表现：lookback=5 最好，lookback=10和15 接近，lookback=15 略好。过于久远的信息指示意义可能有限，降低数据信噪比，回看区间取短一些较好。

不同预测区间收益率表现：horizon=10 最好，horizon=5 次之，horizon=1 最差。预测区间 越大，计算奖励时目光越长远，有利于择时策略。预测区间 horizon=1 时，模型始终发出 buy 信号，因此策略和基准一致，这可能是因为下一日收益率随机性较大，模型难以学习。

优化后的超参数为：折扣因子 γ=0.5，回放内存 replay_memory=32，回看区间 lookback=5， 预测区间 horizon=10。此时，择时策略样本外年化超额收益率提升至 37.0%，夏普比率提 升至 3.27，年均调仓 35.5 次。

5. 总结展望

本文介绍基于强化学习DQN算法构建股指日频择时策略。有别于传统监督学习对真实标签的拟合，强化学习不存在标准答案，而是针对长期目标的试错学习。使用DQN构建上证指数择时策略，原始超参数样本外 2017 年至 2022 年 6 月年化超额收益率 18.2%，夏普 比率 1.31，年均调仓 42.0 次，优化后策略表现进一步提升。 本研究仅对上证指数进行择时测试，可扩展至更多可交易标的。状态空间仅采用原始行情数据，可扩展至择时指标，或使用神经网络编码。强化学习算法仅测试 DQN，可扩展至其他算法。强化学习存在过拟合风险，需探索过拟合检验方法。 虽然本文的方法表现非常不错，但仍然需要注意将强化学习应用于投资存在以下不可忽视的风险： 1. 数据量不足。训练强化学习模型需要较大数据量。对于股票择时场景，日频行情样本量约在10e3数量级，分钟频 行情样本量约在10e6数量级，逐笔数据样本量约在10e7数量级。强化学习可能更适用于 高频领域。低频领域如果要应用强化学习，就只能牺牲模型复杂度，并承担过拟合风险。 2. 缺少仿真环境。在传统量化研究中，通常只使用历史数据，缺少对市场的仿真模拟，模型的每个决策实际上并不会影响到市场。这种对市场的简化处理，一方面限制了新样本的获取，另一 方面也压缩了强化学习模型的试错空间。然而试图模拟市场又谈何容易，这是强化学习 应用于投资领域，相比于游戏等领域的关键差异和难点所在。 3. 可解释性差。深度强化学习相比深度学习“黑箱”程度更高。强化学习可解释性尚处于初步阶段，大量问题亟待解决。 4. 模型不稳定。强化学习模型超参数较多，并且对超参数、随机数种子较敏感。以前述择时策略为例，每组随机数种子单独产生信号，样本外策略相对基准强弱如下图，各随机 数种子表现差距较大。年化超额收益均值 13.4%，最高 28.0%，最低-0.3%，标准差高 达 8.0%，标准差超过均值的一半。

参考文献： [1] Deep Reinforcement Learning for Automated Stock Trading

[2] 动手学强化学习-DQN 算法

[3] Recent Advances in Reinforcement Learning in Finance