基于人工智能的交易方法在做决策时更加的快速有效金融行业与人工智能的结合成为了传统金融行业向能现代化的方向发展的一条途径，量化交易与深度强化学习的结合会为量化领域注入新的活力。

本研究主要关注基于强化学习的多模态的股票量化交易研究，可以主要分为六个部分，具体的模型设计框架由下图展示：

以TC_DS为环境的强化学习交易模型在收益、收益与风险平衡两方面的表现都优于以TC为环境的强化学习交易模型。在波动型股票中，股市图像特征为智能体学习贡献了更多的信息。

以TC_TX为环境的强化学习交易模型在收益 方面的表现优于以 TC 为环境的强化学习交易模型。在下跌型股票交易中，融合新闻文本信息的环境虽然取得了更高的收益，但同时风险也很高。

以TC_TX为环境的强化学习交易模型在收益方面的表现优于以 TC 为环境的强化学习交易模型。在下跌型股票中，股票图像以及新闻文本信息能使智能体对股市环境进行更有效的学习。

当收盘将要猛烈下跌时，本文的强化学习模型倾向于执行卖出动作，而收盘价将要上涨时，本文的强化学习模型倾向于执行买入动作。 该 图表明本文的模型更倾向依据高卖低买来选择交易动作，这验证了本模型学习的有效性。

本研究通过文献研究法探索了深度强化学习在量化交易领域的研究，在深度强化学习中智能体通过与环境交互获得奖励来学习，利用深度学习的神经网络搭建策略函数以及价值函数，来感知环境学习状态、动作之间交互规律，从而优化策略。大多的研究都采用价格序列数据来构建股票交易环境，而这一构建方式忽略了多模态的股票与股市信息，本文提出了在深度强化学习环境构建方面的改进，即采用股票图像信息与新闻文本信息来丰富强化学习交易环境。