Internalizing Investment Mandates: A Neurosymbolic RL Approach to Portfolio Allocation

我们提出一种基于PLPG的连续分配方法，通过重新参数化的蒙特卡洛采样估计政策自身执行动作满足投资指令的概率，并将其添加到训练目标中。在推理时没有后验约束机制拦截动作，合规性由代理学习。直接对确定性均值动作进行审计，未进行修正，该策略将违反六条规则条件指令的违规次数从96-98%减少到4.8%，在无约束强化学习中，而在奖励-惩罚基线中减少到33.4%，表明连续动作神经符号主义政策能够显著内化符号指令。