This paper proposes a framework called AC-DQN that combines Mixed Integer linear programming models with Deep Q-Network (DQN) learning to provide an effective approach for personal asset management. ALM models, developed to manage investment strategies considering future liabilities, are well-suited for addressing the specific financial goals and constraints of individuals. The AC-DQN framework extends value-based reinforcement learning to handle continuous action spaces by leveraging MIP representation of networks. This enables the inclusion of action-related equations as constraints, allowing for optimal investment decisions considering goals and constraints. Experimental results demonstrate the effectiveness of the proposed approach in personal asset management, considering goals and constraints.
본 논문에서는 혼합 정수 선형 프로그래밍 모델과 DQN(Deep Q-Network) 학습을 결합하여 개인 자산 관리를 위한 효과적인 접근 방식을 제공하는 AC-DQN이라는 프레임워크를 제안한다. 미래 부채를 고려한 투자 전략을 관리하기 위해 개발된 ALM 모델은 개인의 특정한 재정적 목표와 제약을 해결하는 데 적합하다. AC-DQN 프레임워크는 네트워크의 MIP 표현을 활용하여 연속 행동 공간을 처리하도록 가치 기반 강화 학습을 확장한다. 이를 통해 행동 관련 방정식을 제약 조건으로 포함할 수 있어 목표와 제약 조건을 고려한 최적의 투자 결정이 가능하다. 실험 결과는 목표와 제약을 고려한 개인 자산 관리에서 제안된 접근 방식의 효과를 보여준다.
