A Deep Reinforcement Learning Approach to Automated Stock Trading, using xLSTM Networks

传统的长短期记忆网络（LSTM）在处理序列数据方面非常有效，但存在诸如梯度消失以及难以捕捉长期依赖关系等问题，这些问题可能会影响其在如股票交易等动态且高风险环境中的表现。为了解决这些局限性，本研究探索了新提出的扩展长短期记忆网络（xLSTM）与深度强化学习（DRL）方法相结合在自动化股票交易中的应用。我们提出的方法在演员（actor）和评论家（critic）组件中均使用了xLSTM网络，从而能够有效地处理时间序列数据和动态市场环境。同时，我们采用了近端策略优化（PPO）算法，利用其在探索与开发之间实现平衡的能力来优化交易策略。实验使用了来自主要科技公司跨越较长时间范围的金融数据，结果表明基于xLSTM的模型在关键交易评估指标上优于基于LSTM的方法，包括累计回报、平均每笔交易盈利能力、最大收益率、最大回撤以及夏普比率。这些发现展示了xLSTM在网络化增强学习股票交易系统中的潜力。

本论文试图解决传统LSTM在处理长期依赖性和动态金融市场数据时的局限性问题，例如梯度消失和难以捕捉长期依赖关系。这是一个已知但仍然具有挑战性的问题，尤其是在高风险和动态变化的股票交易环境中。

论文的关键思路是引入Extended Long Short-Term Memory (xLSTM) 网络，并将其与深度强化学习（DRL）中的Proximal Policy Optimization (PPO) 方法结合，用于自动化股票交易。xLSTM被应用于actor和critic组件中，以更有效地处理时间序列数据和动态市场环境。相比传统LSTM，xLSTM在网络架构上进行了改进，能够更好地捕捉长期依赖性。

实验设计包括使用主要科技公司的金融数据进行测试，涵盖了较长时间范围。评价指标包括累计回报、每笔交易的平均盈利能力、最大收益率、最大回撤和夏普比率。结果显示xLSTM模型显著优于基于传统LSTM的方法。此外，论文并未提及代码是否开源，但其方法论值得进一步研究，例如如何优化xLSTM网络结构或探索更多复杂的金融场景。

最近的相关研究包括：1) 使用Transformer架构替代RNN/LSTM来捕捉金融市场中的长期依赖性；2) 结合注意力机制和强化学习的混合模型；3) 针对高频交易的深度强化学习方法。相关论文如《Attention is all you need in Stock Market Prediction》和《Deep Reinforcement Learning for Trading with Attention Mechanism》等探讨了不同的技术路径。