Answers are grounded in this paper and cite their sources.
최근 Initial Public Offering (IPO)을 통해 주식 시장에 새롭게 상장된 기업들의 주식이 높은 관심을 받고 있다. 주가 예측을 위한 대표적인 강화학습 프레임워크인 FinRL은 일반 주식을 대상으로 설계되어 있어, 데이터 히스토리가 짧고 변동성이 큰 IPO 주식에는 적용이 어렵다. 이에 따라 본 연구에서는 다음 두 가지 전략을 도입하였다. 먼저 퍼센티지 기반의 효율적인 행동 공간을 새롭게 설계하였다. 다음으로, Deep Q-Network (DQN)의 Q-네트워크의 정규화 및 초기화 방법을 변경하였다. 제안한 프레임워크인 DQN-P는 IPO 주식에 최초로 강화학습을 적용한 사례이다. 본 연구는 한국 IPO 시장 전체에 대한 일반화를 목적으로 하기보다, 동일한 날 상장된 네 개의 한국 IPO 종목을 대상으로 제안 방법의 적용 가능성을 살펴보는 사례 연구이다. 실험 결과, 제안 방법인 DQN-P가 기존 FinRL에 비해 더 높은 일반적인 성능 구간(Q1–Q3)을 보였으며, 평균 수익 또한 5% 가량 더 우수했다.
No takes yet. Share an insight, caveat, or question.
Kim et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: