近年来机器学习在各个金融领域各个方面均有应用，其实金融领域的场景是很适合强化学习应用的，但是由于金融领域真金白银的，以目前强化学习的学习效率估计愿意尝试的人不多，但是并不妨碍我们学习和了解这方面的知识。
Reinforcement learning in market games(arxiv 0710.0114)
Edward W. Piotrowski, Jan Sladkowski, Anna Szczypinska
金融市场投资就像许多的多人游戏一样——必须与其他代理人互动以实现自己目标。其中就包括与在市场上的活动直接相关的因素，和影响人类决策及其作为投资者表现的其他方面。如果区分所有子博弈通常是超出希望和资源消耗的。在这篇论文中研究了投资者如何面对许多不同的选择、收集信息并在不了解游戏的完整结构的情况下做出决策。论文将强化学习方法应用于市场信息理论模型 (ITMM)。尝试区分第 i 个代理的一类博弈和可能的动作（策略）。任何代理都将整个游戏类划分为她/他认为子类，因此对给定的子类采用相同的策略。划分标准基于利润和成本分析。类比类和策略通过学习过程在各个阶段更新。
Dreaming machine learning: Lipschitz extensions for reinforcement learning on financial markets(arXiv 1909.03278)
J. M. Calabuig, H. Falciani, E. A. Sánchez-Pérez
论文考虑了一种用于在金融市场框架内构建新的强化学习模型的准度量拓扑结构。它基于在度量空间中定义的奖励函数的 Lipschitz 型扩展。具体来说，McShane 和 Whitney 被用于奖励函数，该函数由给定时间投资决策产生的收益的总评估定义。将度量定义为欧几里得距离和角度度量分量的线性组合。从时间间隔开始的所有关于系统演化的信息都被用来支持奖励函数的扩展，并且通过添加一些人为产生的状态来丰富这个数据集。论文中说到，这种方法的主要新颖之处在于产生了更多状态（论文中称之为“dreams”）以丰富学习的方式。使用代表金融市场演变的动态系统的一些已知状态，使用现有的技术可以通过插入真实状态和引入一些随机变量来模拟新状
完整地址：
https://www.overfit.cn/post/f8b15e23b8b14a89b56c3f3e4ed503cb