异质Agent间的知识迁移强化学习

针对现有知识迁移方法仅适用于同质强化学习Agent的问题,提出一种能够在具有不同状态动作空间的异质Agent间迁移知识的Q学习算法。该算法的主要思想是通过新旧Agent共同学习过的任务,利用神经网络离线学习两Agent间的Q值函数映射关系,利用构造的Q值函数映射器把旧Agent学过而新Agent没有学过的任务的Q值映射到新Agent上,从而可以减少新Agent的学习尝试次数,提高学习速度。10×10格子世界仿真结果验证了所提知识迁移Q学习算法的有效性。

股票期权对股票市场的波动性分析:基于agent的计算实验金融仿真角度

在SFI-ASM模型的基础上,按照学习速度和风险偏好程度构建了异质agent股票市场模型,引入了随机交易者以及随机交易者信心变量等。交易者的异质化使得股票市场脱离了原先的预期均衡市场的理性状态,市场的波动性变大,收益率的分布也更趋向现实市场。在上述模型的基础上,引入期权交易市场,试验结果表明,期权交易会为股票市场带来更大的波动,不同的期权交易策略和不同类型的投资者对股票市场的影响也明显不同。