光華講壇——社會(huì)名流與企業(yè)家論壇第6560期
主題：Deep Reinforcement Learning for Quantitative Trading （強(qiáng)化學(xué)習(xí)用于量化交易）
主講人：南洋理工大學(xué)校長(zhǎng)講席教授/人工智能系主任 安波
主持人：計(jì)算機(jī)與人工智能學(xué)院教授/副院長(zhǎng) 楊新
時(shí)間：6月17日 10:00—11:00
地點(diǎn)：柳林校區(qū)經(jīng)世樓D座二樓新財(cái)經(jīng)綜合實(shí)驗(yàn)室
主辦單位：計(jì)算機(jī)與人工智能學(xué)院 科研處
主講人簡(jiǎn)介：
安波是新加坡南洋理工大學(xué)校長(zhǎng)講席教授，人工智能系主任，南洋理工大學(xué)人工智能研究院聯(lián)席院長(zhǎng)，于2011年在美國(guó)麻省大學(xué)Amherst分校獲計(jì)算機(jī)科學(xué)博士學(xué)位。主要研究領(lǐng)域包括人工智能、多智能體系統(tǒng)、算法博弈論、強(qiáng)化學(xué)習(xí)、及優(yōu)化。有150余篇論文發(fā)表在人工智能領(lǐng)域的國(guó)際頂級(jí)會(huì)議AAMAS, IJCAI, AAAI, ICLR, NeurIPS, ICML, AISTATS, ICAPS, KDD, UAI, EC, WWW以及著名學(xué)術(shù)期刊JAAMAS和AIJ。曾獲2010 IFAAMAS杰出博士論文獎(jiǎng)、2011年美國(guó)海岸警衛(wèi)隊(duì)的卓越運(yùn)營(yíng)獎(jiǎng)、2012 AAMAS最佳應(yīng)用論文獎(jiǎng)、2016年IAAI創(chuàng)新應(yīng)用論文獎(jiǎng)，2020 DAI最佳論文獎(jiǎng)，2012年美國(guó)運(yùn)籌學(xué)和管理學(xué)研究協(xié)會(huì)(INFORMS)Daniel H. Wagner杰出運(yùn)籌學(xué)應(yīng)用獎(jiǎng)，2018年南洋青年研究獎(jiǎng)、以及2022年南洋研究獎(jiǎng)等榮譽(yù)。受邀在2017年IJCAI上做Early Career Spotlight talk。他曾獲得2017年微軟合作AI挑戰(zhàn)賽的冠軍。并曾入選2018年度IEEE Intelligent Systems的AI’s 10 to Watch。他是AIJ、 JAAMAS、 IEEE Intelligent Systems、ACM TIST 和ACM TAAS的副主編及JAIR編委會(huì)成員。擔(dān)任過(guò)AAMAS’20的程序委員會(huì)主席和AAMAS’23會(huì)議主席。當(dāng)選為國(guó)際智能體及多智能體系統(tǒng)協(xié)會(huì)理事會(huì)成員、AAAI高級(jí)會(huì)員及ACM杰出科學(xué)家。他將擔(dān)任IJCAI’27的程序委員會(huì)主席。
主講內(nèi)容：
In the last decade, we have witnessed a significant development of AI-powered quantitative trading (QT), due to its instant and accurate order execution, and capability of analyzing and processing large amount of data related to the financial market. Traditional AI-powered QT methods discover trading opportunities based on either heuristic rules or financial prediction. However, due to the high volatility and noisy nature of financial market, their performance is not stable and highly reply on the market condition. Recently, reinforcement learning (RL) becomes an appealing approach for QT tasks owing to its stellar performance on solving complex decision-making problems. This talk will discuss some recent research progress in RL for QT and future directions. More information is at http://trademaster.ai/ and https://github.com/TradeMaster-NTU/TradeMaster.
在過(guò)去的十年中，我們見(jiàn)證了以人工智能為驅(qū)動(dòng)的量化交易（QT）的顯著發(fā)展，這得益于其快速且準(zhǔn)確的交易執(zhí)行能力，以及分析和處理海量金融市場(chǎng)數(shù)據(jù)的能力。傳統(tǒng)的人工智能驅(qū)動(dòng)的QT方法基于啟發(fā)式規(guī)則或金融預(yù)測(cè)來(lái)發(fā)現(xiàn)交易機(jī)會(huì)。然而，由于金融市場(chǎng)的高波動(dòng)性和噪聲性，這些方法的性能并不穩(wěn)定并且它們高度依賴(lài)于市場(chǎng)條件。最近，強(qiáng)化學(xué)習(xí)（RL）因其在解決復(fù)雜決策問(wèn)題上的卓越表現(xiàn)而成為在解決QT任務(wù)上的一個(gè)極具吸引力的方法。本次報(bào)告將討論RL在QT方面的一些最新研究進(jìn)展和未來(lái)方向。
