针对金融决策机器学习中的风险规避和大规模动作空间等实际问题，本研究聚焦于风险感知赌博机优化，并将其应用于智能订单路由。基于对市场数据中线性价格影响的初步观察，我们开创性地研究了风险感知线性赌博机问题。在该设定下，面对一组奖励是未知参数线性函数的动作，我们的目标是在均值-方差度量下最小化遗憾，即与最优性能的差距。 受方差最小化的全局最优设计驱动，我们提出了两种新颖算法：与实例无关的风险感知探索后提交算法，以及与实例相关的风险感知连续消除算法。通过严格的理论分析，我们证明了这两种算法具有接近最优的遗憾上界。研究结果表明，通过利用线性结构，我们的算法相比现有方法能显著降低遗憾。 最后，我们在智能订单路由场景下，使用合成数据集和真实市场数据集进行了广泛的数值实验，以验证算法性能。实验揭示了两点关键发现：首先，线性结构假设能够得到真实市场数据的良好支持；更重要的是，在复杂的决策场景中，尤其是在遗憾指标上，所提出的两种算法均能显著超越现有竞争方法。