Szczegóły ebooka

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

Yves J. Hilpisch

Ebook
Kup pozycję na ebookpoint.pl

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

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
  • 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
  • Tytuł: Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona
  • Autor: Yves J. Hilpisch
  • Tytuł oryginału: Reinforcement Learning for Finance: A Python-Based Introduction
  • Tłumaczenie: Tomasz Walczak
  • ISBN: 978-83-289-2579-3, 9788328925793
  • Data wydania: 2025-09-01
  • Format: Ebook
  • Identyfikator pozycji: uczfin
  • Wydawca: Helion