强化学习通过训练智能体直接输出投资决策。强化学习是一种机器学习方法，通过与环境的交互来训练智能体，使其在不同状态下采取能够最大化累积奖励的行动。在强化学习中，智能体（Agent）通过与环境的互动不断学习，通过奖励和惩罚来调整其策略，以便在长期内获得最大回报。在股票市场中，强化学习可以通过市场状态的输入，不断调整交易策略，最大化长期的投资回报。强化学习在金融领域中的应用主要在状态输入，奖励函数及优化算法三个方面进行了创新。
SAC 强化学习加入多项改进以避免模型过拟合。在 SAC 中，价值网络是一个双 Q 网络（Double DQN），即使用两个独立的 Q 网络的同时对目标函数进行估计，在目标值计算时选择最小的一个，从而降低 Q 值的高估风险，防止模型陷入局部最优或者过拟合。此外，SAC 在策略优化过程中引入了熵正则化项，熵正则化项的引入使得策略在早期阶段保持一定的随机性，避免策略网络和价值网络的学习模式过于重合以陷入局部最优，从而提高整体的策略探索能力。对于熵正则项，SAC 还引入了自适应熵系数α，通过优化熵系数来自动调整策略的探索程度，使得模型能够根据当前的训练情况动态调整探索与开发的平衡。
StockFormer 模型利用 Transformer 深度学习进行预测并优化交易决策。Siyu Gao 等人在 2023 年 IJCAI 上发表的论文 StockFormer: Learning Hybrid Trading Machines with Predictive Coding 中采用 SAC 强化学习作为基础框架，并采用了 3 个 Transformer 模型分别预测市场相关状态，短期收益状态与长期收益状态作为强化学习的输入状态。然后在 SAC 强化学习中将 3 个隐状态进行合成，在组合状态空间中优化交易决策。利用沪深 300 成分股做训练，取得了优于基线 Transformer 模型的效果。
深 度学 习+强 化学 习较深 度学 习+组 合优 化收益 弹性 更高。我们 将Transformer 模型作为本篇研究中的基模型构建 Transformer 因子的指数增强组合，再与 Transformer+SAC 强化学习算法形成对照。在 Transformer 模型中，我们采用日频行情与 20 个日频技术因子作为输入，预测个股周度收益排序作为因子，构建的指数增强组合 2019 年以来在中证 1000 内年化收益 17.2%，超额收益 13.8%，信息比率 2.36，表现稳定。在 StockFormer 模型中，我们替换奖励函数为超额收益-跟踪误差-交易费用，并修改前3个Transformer模型，输出每日交易行为与持仓，策略年化收益 32.7%，超额收益 29.1%，信息比率2.57，超额收益波动率较大，但主要为上行波动，模型总体好于 Transformer的指数增强组合。对策略持仓进行风格分析，发现模型对于市场主线识别能力较强，通过风格择时带来一定超额收益。
