StockFormer

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。