論文の概要: Combining Reinforcement Learning and Inverse Reinforcement Learning for
Asset Allocation Recommendations
- arxiv url: http://arxiv.org/abs/2201.01874v1
- Date: Thu, 6 Jan 2022 00:08:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 14:41:02.956203
- Title: Combining Reinforcement Learning and Inverse Reinforcement Learning for
Asset Allocation Recommendations
- Title(参考訳): 資産配分勧告のための強化学習と逆強化学習の組み合わせ
- Authors: Igor Halperin, Jiayu Liu, Xiao Zhang
- Abstract要約: 我々のアプローチは、逆強化学習(IRL)とRLの組み合わせに基づいている。
まず、IRLコンポーネントは、トレーディング履歴から示唆されたファンドマネジャーの意図を学習し、インプリッド報酬機能を回復する。
2番目のステップでは、アセット割り当て決定を最適化するために直接RLアルゴリズムによってこの報酬関数が使用される。
- 参考スコア(独自算出の注目度): 5.515442919147122
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We suggest a simple practical method to combine the human and artificial
intelligence to both learn best investment practices of fund managers, and
provide recommendations to improve them. Our approach is based on a combination
of Inverse Reinforcement Learning (IRL) and RL. First, the IRL component learns
the intent of fund managers as suggested by their trading history, and recovers
their implied reward function. At the second step, this reward function is used
by a direct RL algorithm to optimize asset allocation decisions. We show that
our method is able to improve over the performance of individual fund managers.
- Abstract(参考訳): 我々は、人間と人工知能を組み合わせることで、ファンドマネージャの最良の投資プラクティスを学習し、それらを改善するためのアドバイスを提供するための、シンプルな実践的な方法を提案する。
我々のアプローチは、逆強化学習(IRL)とRLの組み合わせに基づいている。
まず、IRLコンポーネントは、トレーディング履歴から示唆されたファンドマネージャの意図を学習し、インプリッド報酬機能を回復する。
2番目のステップでは、アセット割り当て決定を最適化するために直接RLアルゴリズムによってこの報酬関数が使用される。
当社の手法は,個々のファンドマネージャのパフォーマンスよりも改善可能であることを示す。
関連論文リスト
- REBEL: A Regularization-Based Solution for Reward Overoptimization in
Reinforcement Learning from Human Feedback [61.54791065013767]
人間のフィードバック(RRLHF)からのロボット強化学習による報酬正規化のためのサンプル効率向上アルゴリズムREBELを提案する。
PEBBLEやPEBBLE+SURFのような最先端の手法と比較して,REBELは試料効率を最大70%向上し,十分な報酬率が得られることを示した。
論文 参考訳(メタデータ) (2023-12-22T04:56:37Z) - A State Augmentation based approach to Reinforcement Learning from Human
Preferences [20.13307800821161]
優先に基づく強化学習は、クエリされたトラジェクトリペアのバイナリフィードバックを利用することで、この問題を解決しようとする。
本稿では,エージェントの報酬モデルが堅牢である状態拡張手法を提案する。
論文 参考訳(メタデータ) (2023-02-17T07:10:50Z) - Basis for Intentions: Efficient Inverse Reinforcement Learning using
Past Experience [89.30876995059168]
逆強化学習(IRL) - エージェントの報酬関数をその振る舞いを観察することから推測する。
本稿では、エージェントの報酬関数を観察することのできないIRLの問題に対処する。
論文 参考訳(メタデータ) (2022-08-09T17:29:49Z) - Reward Uncertainty for Exploration in Preference-based Reinforcement
Learning [88.34958680436552]
好みに基づく強化学習アルゴリズムを対象とした探索手法を提案する。
我々の基本的な考え方は、学習した報酬に基づいて、斬新さを測定することによって、本質的な報酬を設計することである。
実験により、学習報酬の不確実性からの探索ボーナスは、好みに基づくRLアルゴリズムのフィードバック効率とサンプル効率の両方を改善することが示された。
論文 参考訳(メタデータ) (2022-05-24T23:22:10Z) - Reinforcement Learning with Intrinsic Affinity for Personalized Asset
Management [0.0]
我々は,戦略がグローバルな本質的な親和性を持つことを保証する正規化手法を開発した。
私たちは、本質的な親和性を利用して、本質的な解釈を可能にします。
我々は、RLエージェントが特定のパーソナリティプロファイルに対する個々のポリシーを編成し、高いリターンを達成するためにどのように訓練できるかを実証する。
論文 参考訳(メタデータ) (2022-04-20T04:33:32Z) - Information Directed Reward Learning for Reinforcement Learning [64.33774245655401]
我々は、標準rlアルゴリズムが可能な限り少数の専門家クエリで高い期待値を達成することができる報酬関数のモデルを学ぶ。
特定のタイプのクエリ用に設計された以前のアクティブな報酬学習方法とは対照的に、IDRLは自然に異なるクエリタイプに対応します。
我々は,複数の環境における広範囲な評価と,異なるタイプのクエリでこの結果を支持する。
論文 参考訳(メタデータ) (2021-02-24T18:46:42Z) - Self-Imitation Advantage Learning [43.8107780378031]
自己模倣学習は、期待以上のリターンのアクションを奨励する強化学習方法です。
本稿では,ベルマン最適性演算子を改変したオフポリシーRLの自己模倣学習の新たな一般化を提案する。
論文 参考訳(メタデータ) (2020-12-22T13:21:50Z) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳(メタデータ) (2020-11-04T12:12:25Z) - Off-Policy Adversarial Inverse Reinforcement Learning [0.0]
Adversarial Imitation Learning (AIL)は、強化学習(RL)におけるアルゴリズムのクラスである。
本稿では, サンプル効率が良く, 模倣性能も良好であるOff-policy-AIRLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-03T16:51:40Z) - Reward-Conditioned Policies [100.64167842905069]
模倣学習には、ほぼ最適の専門家データが必要である。
実演なしで指導的学習を通じて効果的な政策を学べるか?
政策探索の原則的手法として,このようなアプローチを導出する方法を示す。
論文 参考訳(メタデータ) (2019-12-31T18:07:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。