传统的金融交易依赖人进行基本面和技术面的分析,随着人力分析的局限性越来越明显,量化投资则开始扮演重要的角色,而机器学习在应对高噪声、非线性且随机漂移的金融数据,具备明显优势。在股票投资中,为了分散单一持仓带来的风险,投资人通常会构建一套资产组合方案,以对冲不同股票之间的风险,降低风险的同时增加期望收益率.为了保证本论文的策略在交易中能有优秀的表现,本论文在三个方面进行了探索。首先,本论文设计了一个映射功能,将Q学习中可能产生的得分最佳却不符合现实逻辑的操作方式映射到相近的操作方案中。其次,为了克服数据维度问题,本研究建立了代理agent和Q网络模型,其中使用LSTM-DNN混合模型,先通过LSTM模型寻找单个资产历史数据中潜在的变量,而后将每个资产的输出合并在一个集内输入到DNN模型,再通过深度Q学习来识别最佳的交易操作,以此来应对多资产交易策略。最后,本研究通过模拟每种交易操作下的预期回报来选择合适的交易策略。为了验证本论文模型的有效性,本论文用50ETF成分股进行了回测,并获得了优于基准的结果。综合以上所述,本文将深度强化学习的理论应用在了股票市场的交易中,并在包含海量数据且错综复杂的股票交易市场中,找到了优于基准的投资方法,降低投资风险的同时也提高了期望收益率。同时,本研究丰富了量化交易领域的理论研究,具备较好的实用价值。