Apprendimento per rinforzo per la finanza

Capitolo 3. Apprendimento Q finanziario

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Gli attuali programmi di trading algoritmico sono relativamente semplici e fanno un uso limitato dell'intelligenza artificiale. La situazione è destinata a cambiare.

Murray Shanahan (2015)

Nel capitolo precedente è stato dimostrato che un agente con apprendimento Q profondo (DQL) può imparare a giocare abbastanza bene al gioco del CartPole. E per quanto riguarda le applicazioni finanziarie? Come dimostra questo capitolo, l'agente può anche imparare a giocare a un gioco finanziario che consiste nel prevedere i movimenti futuri di un mercato finanziario. A tal fine, questo capitolo implementa un ambiente Finance che imita il comportamento dell'ambiente CartPole e addestra l'agente DQL del capitolo precedente sulla base dei requisiti dell'ambiente Finance.

Questo capitolo è breve, ma illustra un punto importante: con l'ambiente appropriato, il DQL può essere applicato ai problemi finanziari nello stesso modo in cui viene applicato ai giochi e in altri ambiti. "Ambiente finanziario" sviluppa passo dopo passo la classe Finance che imita il comportamento della classe CartPole. "Agente DQL" modifica leggermente la classe DQLAgent da "CartPole come esempio". Gli aggiustamenti vengono fatti per riflettere il nuovo contesto. L'agente DQL può imparare a prevedere i futuri movimenti del mercato con un margine ...