Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona - ebook
Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona - ebook
Uczenie przez wzmacnianie okazało się przełomowym rozwiązaniem. Jednym z najciekawszych algorytmów jest Deep Q-Learning (DQL), który może być stosowany do zmieniających się warunków decyzyjnych. DQL w wielu przypadkach wykazuje skuteczność nieosiągalną dla człowieka. Nic dziwnego, że użycie tego rodzaju algorytmów w branży finansowej wydaje się wyjątkowo atrakcyjną opcją.
Ta książka jest zwięzłym wprowadzeniem do głównych zagadnień i aspektów uczenia przez wzmacnianie i algorytmów DQL. Docenią ją zarówno naukowcy, jak i praktycy poszukujący skutecznych algorytmów, przydatnych w pracy z finansami. Znajdziesz tu wiele interesujących przykładów w języku Python, zaprezentowanych w formie najciekawszych algorytmów gotowych do samodzielnego modyfikowania i testowania.
W książce między innymi:
- uczenie przez wzmacnianie
- algorytm DQL
- algorytm aktor-krytyk
- implementacja powyższych algorytmów w Pythonie
- rozwiązywanie problemów handlu algorytmicznego, hedgingu dynamicznego i dynamicznej alokacji środków w aktywa
Książka ta doskonale wypełnia lukę między teorią a praktyką dzięki jasnym objaśnieniom i szczegółowemu kodowi w Pythonie!
Ivilina Popova, Texas State University
Spis treści
Przedmowa
Część I. Podstawy
- 1. Uczenie się na podstawie interakcji
- Uczenie bayesowskie
- Rzuty niesymetryczną monetą
- Rzuty niesymetryczną kością
- Aktualizacje bayesowskie
- Uczenie przez wzmacnianie
- Najważniejsze przełomowe osiągnięcia
- Główne elementy składowe
- Deep Q-Learning (DQL)
- Podsumowanie
- Literatura
- Uczenie bayesowskie
- 2. Deep Q-learning
- Problemy decyzyjne
- Programowanie dynamiczne
- Q-Learning
- Przykłady z grą CartPole
- Środowisko gry
- Losowy agent
- Agent DQL
- Q-Learning a uczenie nadzorowane
- Podsumowanie
- Literatura
- 3. Algorytm Q-learning w finansach
- Środowisko Finance
- Agent DQL
- Miejsca, w których analogia zawodzi
- Ograniczona ilość danych
- Brak wpływu
- Podsumowanie
- Literatura
Część II. Rozszerzanie danych
- 4. Symulowane dane
- Szeregi czasowe z szumem
- Symulowane szeregi czasowe
- Podsumowanie
- Literatura
- Klasa Pythona DQLAgent
- 5. Dane generowane
- Prosty przykład
- Przykład finansowy
- Test Kołmogorowa-Smirnowa
- Podsumowanie
- Literatura
Część III. Zastosowania finansowe
- 6. Handel algorytmiczny
- Jeszcze o grze predykcyjnej
- Środowisko Trading
- Agent transakcyjny
- Podsumowanie
- Literatura
- Środowisko Finance
- Klasa DQLAgent
- Środowisko Simulation
- 7. Dynamiczny hedging
- Delta hedging
- Środowisko Hedging
- Agent do hedgingu
- Podsumowanie
- Literatura
- Wzór według modelu BSM (1973)
- 8. Dynamiczna alokacja w aktywa
- Podział między dwa fundusze
- Scenariusz z dwoma aktywami
- Scenariusz z trzema aktywami
- Portfel o równych wagach
- Podsumowanie
- Literatura
- Kod dla scenariusza z trzema aktywami
- 9. Optymalna realizacja zleceń
- Model
- Implementacja modelu
- Środowisko realizacji transakcji
- Agent losowy
- Agent do realizacji transakcji
- Podsumowanie
- Literatura
- 10. Uwagi końcowe
- Literatura
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-2579-3 |
| Rozmiar pliku: | 11 MB |