強化学習によるアセットアロケーションの動的最適化ー非定常性と投資制約の因果推論ー
2023 年 2023 巻 FIN-031 号 p. 142-149
詳細
2023 年 2023 巻 FIN-031 号 p. 142-149
本研究では, 強化学習手法を活用し, 動的なアセットアロケーションの投資戦略を構築した. 初めに, 強化学習を投資戦略に適用する際の重要な考慮点として, 金融時系列データの非定常性をどのように強化学習アルゴリズムに組み込むかを検討した. この結果, 環境設定に時間軸や局面変化の変数を導入することで, 予測精度の向上が示唆された. 次に, 強化学習を投資戦略に応用する利点として, 最適化を行う問題を柔軟に設定できる点が挙げられる. これにより, 実務上の投資家が直面する制約をアルゴリズムに取り込み, 最適化を実施することが可能になると考える. 具体的には, 投資戦略策定における諸条件を, 目標リターンやドローダウンなどの管理指標の制約, リバランスの頻度やレバレッジ比率などの運営上の制約, そしてシグナルなどの予測精度の制約の3つに分類した. これらを強化学習のフレームワーク上での環境や報酬に組み込むと, 投資行動がどのように変わるかを調査した.
