یادگیری تقویتی (Reinforcement Learning) منجر به پیشرفتهای چشمگیری در هوش مصنوعی (Artificial Intelligence) شده است. استفاده از الگوریتم یادگیری کیو عمیق (Deep Q-learning) به افراد کمک کرده است تا ایجنتهایی (Agents) بسازند که بازیهای آرکید (Arcade Games) و تختهای را در سطح فوقبشری انجام دهند. این کتاب یکی از نخستین منابعی است که به بررسی استفاده از روشهای یادگیری تقویتی در حوزه مالی میپردازد. نویسنده کتاب، ایو هیلمپیش (Yves Hilpisch)، بنیانگذار و مدیرعامل شرکت The Python Quants، زمینه لازم را به صورت مختصر فراهم میکند.
اشتراکی

با مرور فصلها، ساختار ، محتوای کتاب را به سرعت بشناسید.
با مرور فصلهای این کتاب میتونی خیلی سریع بفهمی هر بخش چی یاد میده، ساختار کلی چطوره و از کجا باید شروع کنی. هر فصل روی یک مفهوم یا مهارت خاص تمرکز داره و موضوعات اصلیش رو میبینی تا انتخابت آگاهانهتر باشه. چه بخوای کل کتاب رو دنبال کنی، چه فقط یک بخش خاص رو دنبال کنی، این نما کمکت میکنه مسیرت رو پیدا کنی.
بخش اول کتاب به بررسی اصول اولیه یادگیری تقویتی (Reinforcement Learning) و اطلاعات پسزمینه ضروری میپردازد.
این بخش شامل سه فصل است که یادگیری از طریق تعامل، برنامهنویسی پویا (Dynamic Programming) و یادگیری کیو مالی را پوشش میدهد.
خوانندگان با مثالهای عمدهای از جمله تطبیق احتمال، بهروزرسانی بیزی (Bayesian Updating) و یادگیری کیو عمیق آشنا میشوند.
این فصلها درک پایهای لازم برای اعمال الگوریتمهای پیشرفته یادگیری تقویتی را فراهم میکنند.

یادگیری از طریق تعامل
Bayesian Learning • Tossing a Biased Coin • Rolling a Biased Die • Bayesian Updating • Reinforcement Learning • Major Breakthroughs • Major Building Blocks • Deep Q-Learning • Conclusions • References

یادگیری کیو عمیق
Decision Problems • Dynamic Programming • Q-Learning • CartPole as an Example • The Game Environment • A Random Agent • The DQL Agent • Q-Learning Versus Supervised Learning • Conclusions • References

یادگیری کیو مالی
Finance Environment • DQL Agent • Where the Analogy Fails • Limited Data • No Impact • Conclusions • References
بخش دوم کتاب مفاهیم و رویکردهای تولید داده برای یادگیری کیو عمیق مالی را پوشش میدهد.
فصل چهارم رویکردهای تولید داده مبتنی بر شبیهسازی مونته کارلو (Monte Carlo Simulation) را پیادهسازی میکند.
فصل پنجم نشان میدهد که چگونه از شبکههای مولد مخالف (GANs) در هوش مصنوعی برای تولید دادههای سری زمانی مالی استفاده کنید.
این دادهها با سریهای زمانی مالی هدف سازگار و از نظر آماری غیرقابل تشخیص هستند.

دادههای شبیهسازی شده
Noisy Time Series Data • Simulated Time Series Data • Conclusions • References • DQLAgent Python Class

دادههای تولید شده
Simple Example • Financial Example • Kolmogorov-Smirnov Test • Conclusions • References
بخش سوم کتاب الگوریتمها و تکنیکهای معرفی شده در دو بخش اول را روی مسائل کلاسیک مالی اعمال میکند.
فصل ششم یادگیری کیو عمیق را روی معاملات الگوریتمی (Algorithmic Trading) یک ابزار مالی اعمال میکند.
فصل هفتم از یادگیری کیو عمیق برای یادگیری نحوه پوشش ریسک یا تکرار یک اختیار خرید اروپایی استفاده میکند.
فصل هشتم یادگیری تقویتی را روی سه مسئله کلاسیک در مدیریت سرمایهگذاری اعمال میکند.

معاملات الگوریتمی
Prediction Game Revisited • Trading Environment • Trading Agent • Conclusions • References • Finance Environment • DQLAgent Class • Simulation Environment

پوشش ریسک پویا
Delta Hedging • Hedging Environment • Hedging Agent • Conclusions • References • BSM (1973) Formula

تخصیص دارایی پویا
Two-Fund Separation • Two-Asset Case • Three-Asset Case • Equally Weighted Portfolio • Conclusions • References • Three-Asset Code

اجرای بهینه
The Model • Model Implementation • Execution Environment • Random Agent • Execution Agent • Conclusions • References

نکات پایانی
References
منتشر شده
مدت زمان خوانش
5:4
نوع کتاب
اشتراکی
شرکت کنندگان
1 نفر
تولید کتاب
۱۶ مهر ۱۴۰۵