当今的金融投资领域不断有新兴技术出现。我们今天探讨的这个模型，在加密货币的投资组合管理方面具有独特性。这是投资者关注的一个热点领域。
模型基础架构
这个模型运用了 Soft Actor - Critic 代理，并且运用了卷积神经网络，同时还添加了多头注意力机制。卷积神经网络具备有效处理数据的能力，多头注意力机制进一步提升了数据处理的能力。这种架构对于模型功能的达成是很关键的。另外，该模型以 12 种加密资产构成投资组合，多种资产能够体现复杂的市场关系，在 Binance 永续期货市场进行测试，这个市场波动性较高，能够很好地检验模型的能力。
新的奖励函数
此模型的奖励函数是以利润和损失为基础的。传统函数仅基于回报，二者存在差异。其惩罚参数被设定为 25，这表明代理对损失的敏感程度是利润的 25 倍。这种设定极为注重下行风险，在风险管理方面有全新思考方式。在实际应用过程中，此特性能让投资组合在遭遇波动风险时具备更强应对能力。
与传统模型对比
传统机器学习模型通常把价格趋势当作预测的依据。这个模型把预测与权重管理融合在一个统一的过程里。传统模型大多是依据历史数据以及一些简单假设，单期模型利用静态方法来优化权重，然而却由于过度依赖历史数据而遭到很多批评。但这种强化学习模型能够在复杂多变的加密货币市场中不断改变权重，以此来提高投资组合的表现。
权重优化特点
在投资组合管理领域，权重优化占据着重要的地位。间断的权重确定方式与连续的权重确定方式，各自有着自身的优点和缺点。模型将双向交易与借贷巧妙地融入到权重优化之中，不会错过任何盈利的机会。它一方面能够顾及到市场中正向的盈利趋势，另一方面也能够顾及到借助借贷等手段达成反向盈利的机会。然而，当前的研究通常仅仅考虑其中的一个方面，而忽略了负权重以及借贷所带来的影响。
投资组合再平衡
多期模型的重点在于重新构建和调整权重。新模型与 SPPO 模型的假设存在差异，新模型并非静态，而是一个处于动态再平衡状态的投资组合。比如，它能够捕捉多种资产风险的非线性效应。在加密货币市场里，这种动态再平衡能够凭借快速调整权重，来适应市场的波动，进而实现提升盈利能力这一重要目标。
模型的测试结果
该模型在加密货币市场测试期间展现出了强大的能力。它能够管理 12 种加密资产的组合。在这些组合当中，它的表现要比基于回报的强化学习模型等都更为出色。它在 Sortino 比率方面表现优秀，同时在 Kalmar 比率方面也表现良好。这两个比率能够体现出投资组合在下行风险以及有效盈利方面的能力。这表明该模型在风险管理以及资本优化方面具有显著的优势。
读者朋友知晓很多内容后，可以开始思考。倘若你们是投资者，你们是否愿意将资金投入到由这个模型管理的加密资产投资组合中？希望大家能够点赞，能够分享本文，还能够在评论中表达自己的看法。
