book

Apprendimento per rinforzo per la finanza

March 2025

Intermediate to advanced

214 pages

5h 16m

Italian

Read now

Unlock full access

Pubblico di riferimentoPanoramica del libroInformazioni sul codice di questo libroConvenzioni utilizzate in questo libroUtilizzo di esempi di codiceFormazione online O'ReillyCome contattarciRingraziamenti
Apprendimento bayesianoLancio di una moneta distortaLancio di un dado distortoAggiornamento bayesianoApprendimento per rinforzoGrandi scoperteI principali elementi costitutiviApprendimento Q profondoConclusioniRiferimenti
Problemi decisionaliProgrammazione dinamicaQ-LearningCartPole come esempioL'ambiente di giocoUn agente a casoL'agente DQLQ-Learning contro l'apprendimento supervisionatoConclusioniRiferimenti
Ambiente finanziarioAgente DQLDove l'analogia fallisceDati limitatiNessun impattoConclusioniRiferimenti
Dati di serie temporali rumorosiDati della serie temporale simulataConclusioniRiferimentiClasse DQLAgent Python
Esempio sempliceEsempio finanziarioTest di Kolmogorov-SmirnovConclusioniRiferimenti
Il gioco dei pronostici rivisitatoAmbiente di tradingAgente di commercioConclusioniRiferimentiAmbiente finanziarioClasse DQLAgentAmbiente di simulazione

Copertura DeltaAmbiente di coperturaAgente di coperturaConclusioniRiferimentiFormula BSM (1973)
Separazione dei due fondiCaso a due attivitàCaso dei tre assetPortafoglio equamente ponderatoConclusioniRiferimentiCodice a tre attività
Il modelloImplementazione del modelloAmbiente di esecuzioneAgente casualeAgente di esecuzioneConclusioniRiferimenti
Riferimenti

Parte II. Aumento dei dati

La seconda parte del libro tratta i concetti e gli approcci alla generazione di dati per il deep Q-learning finanziario:

Il Capitolo 4 implementa approcci di generazione dei dati basati sulla simulazione Monte Carlo (MCS). Un approccio consiste nell'aggiungere del rumore bianco a una serie temporale finanziaria esistente. Un altro consiste nel simulare i dati delle serie temporali finanziarie sulla base di un modello finanziario (un'equazione differenziale stocastica).
Il capitolo 5 mostra come utilizzare le reti generative avversarie (GAN) dell'IA, o più precisamente del deep learning (DL) di, per generare dati di serie temporali finanziarie coerenti e statisticamente indistinguibili dalla serie temporale finanziaria di riferimento. Tale serie temporale può essere la serie storica dei rendimenti di un'azione di una società (si pensi alle azioni Apple) o le quotazioni storiche dei cambi (si pensi al tasso di cambio EUR/USD).