1. 研究目的与意义
随着金融市场的不断发展，国际资本在世界范围内自由流动。
金融全球化在极大地增进经济活力的同时也不可避免地孕育出巨大的潜在风险。
因此，科学地预测金融市场的波动特征，掌握金融市场的波动规律及其结构对风险的规避防范与管理监控有着重要意义。
2. 研究内容和预期目标
股票数据的分析和预测是金融分析领域中一个重要的问题。
本文是基于强化学习方法进行股票预测的分析与评价，以强化学习方法为基础，分析比较几种不同的强化学习算法来进行研究与改进。
本设计主要是研究股票价格预测的相关强化学习算法。
3. 研究的方法与步骤
(1) 学习sarsa，q-learning，dqn等强化学习算法的框架。
(2) 学习股票市场以及量化交易的相关情况。
(3) 实现强化学习的算法进行数据分析得到择时或者择股策略。
4. 参考文献
[1] 常松, 何建敏. 基于小波包和神经网络的股票价格预测模型[J]. 中国管理科学, 2001, 9(5): 8-15.[2] Sutton R S, Barto A G. 强化学习(第二版)[M]. 北京:电子工业出版社, 2019.[3] 胡谦. 基于机器学习的量化选股研究[D]. 山东: 山东大学, 2016.[4] 林倩瑜, 冯少荣, 张东站. 基于神经网络和模式匹配的股票预测研究[J]. 计算机技术与发展, 2010, 5(6): 35-37.[5] 高琴. 人工神经网络在股市预测模型中的应用[J]. 微电子学与计算机, 2007, 11(44): 18-20.[6] 姚雨琪. 基于机器学习的股票分析与预测模型研究[J]. 市场周刊, 2019, 2(9):123-124.[7] 林升, 綦科, 魏楷聪, 等. 机器学习在股价预测中的研究综述[J]. 经济师, 2019, 3(29): 71-73.[8] 傅航聪, 张伟. 机器学习算法在股票走势预测中的应用[J]. 软件导刊, 2017, 16(10): 31-34.[9] 方朴一. 一种基于机器学习的股票预测和量化投资系统[D]. 浙江: 浙江大学, 2018.[10] Bonaccorso G. 机器学习算法[M]. 北京: 机械工业出版社, 2018
5. 计划与进度安排
(1) 学习sarsa，q-learning，dqn等强化学习算法的框架。
(2) 学习股票市场以及量化交易的相关情况。
(3) 实现强化学习的算法进行数据分析得到择时或者择股策略。
