文件名称：深度强化学习方法及在经济学中的应用全面回顾-研究论文
文件大小：2.12MB
文件格式：PDF
更新时间：2024-06-30 06:45:14
economics deep reinforcement
深度强化学习 (DRL) 方法在经济学中的流行呈指数级增长。 DRL 通过从强化学习 (RL) 到深度学习 (DL) 的广泛功能，为处理复杂的经济动态系统提供了大量机会。 DRL 的特点是可扩展性，有可能应用于高维问题以及经济数据的嘈杂和非线性模式。 在本文中，我们首先简要回顾了 DL、RL 和深度 RL 方法在经济学中的各种应用，从而深入了解最新技术。 此外，研究了应用于经济应用的 DRL 架构，以突出复杂性、鲁棒性、准确性、性能、计算任务、风险约束和盈利能力。 调查结果表明，与传统算法相比，DRL 可以提供更好的性能和更高的效率，同时在存在风险参数和不断增加的不确定性的情况下面临实际经济问题。