!"#随着人工智能应用的发展,近年股市也得到相关研究。但即使是最先进的深度强化学习算法也很难在此有好的表现,就此问题,本文实现了基于DDPG（Deep Deterministic Policy Gradient）的股票交易环境和智能体,用于在股市交易中模仿真实投资者做出买卖决策。首先在状态空间中引入诸多成熟的技术指标,这能够高效挖掘潜在的趋势信息即时序特征因子,使得神经网络能够更准确地感知并拟合出策略与价值函数。其次将其连续动作空间映射至股票交易的离散动作空间,解决了股票交易策略因离散动作维数过多而无法训练的困境,使得算法的策略与实际投资动作更加接近。再次,引入参数空间噪音和层归一化技巧,避免了算法在训练时动作噪音造成的动作不连贯,并且提高了探索策略的效率。为了验证算法效果,设计两组实验,分别与美股、A股的两篇已有研究结果进行比较,在保持实验原始数据一致的前提下,结果表明,本文基于以上三点改进构成的算法均获得较之更好的累计收益。