神经因子挖掘（五）：强化学习混频Multi-StepDQN择时策略

金融工程丨深度报告 [Table_Title] 神经因子挖掘（五）—— 强化学习混频 Multi-Step DQN 择时策略 %% %% %% %% research.95579.com 1 丨证券研究报告丨 报告要点 [Table_Summary] 我们设计 DQN 的核心是学习在给定市场状态下最优交易动作的潜在价值。将 DQN 应用于中 证 1000 指数日频择时，模型信号（做多/做空/空仓）显示出有效预测能力。构建的策略显著超 越基准：多空策略年化收益高达 64.9%（经多步 DQN 优化后提升至 79.4%），空头策略风险控 制优异（最大回撤仅-14.33%，优化后夏普/卡玛比领先）。仓位变动连续合理，避免了高频无意 义切换。多步优化 DQN 进一步提升了信号质量和各策略表现（收益与风控指标均改善），证明 了其在量化择时领域的巨大潜力。 分析师及联系人 [Table_Author] 覃川桃 杨凯杰 SAC：S0490513030001 SFC：BUT353 请阅读最后评级说明和重要声明 2 / 23 2 [Table_Title 神经因子挖掘（五）—— 2] 强化学习混频 Multi-Step DQN ...