Apprendimento per rinforzo per la finanza

Parte III. Applicazioni finanziarie

La terza parte del libro applica gli algoritmi e le tecniche introdotte nelle prime due parti a problemi finanziari classici:

• Il Capitolo 6 applica il deep Q-learning (DQL) al trading algoritmico di un singolo strumento finanziario. Si basa sul gioco di predizione discusso nel Capitolo 3. Il capitolo utilizza dati simulati Monte Carlo per addestrare un agente di Q-learning finanziario (FQL) chiamato TradingAgent. L'obiettivo dell'agente FQL è quello di massimizzare il profitto derivante dall'andare long e short su un singolo strumento finanziario.

• Il capitolo 7 utilizza il DQL per imparare a coprire, o meglio a replicare, un'opzione call europea nel modello fondamentale di Black-Scholes-Merton (1973) per la determinazione del prezzo delle opzioni. Il sito HedgingAgent è in grado di apprendere le strategie di copertura appropriate lavorando solo con dati osservabili sul mercato. Ad esempio, l'agente conosce il prezzo corrente dell'attività sottostante, la scadenza e il prezzo corrente dell'opzione.

• Il capitolo 8 applica l'apprendimento per rinforzo (RL) a tre problemi classici della gestione degli investimenti. Il primo problema consiste nel determinare l'allocazione ottimale tra un'attività rischiosa e un'attività priva di rischio, comunemente chiamata separazione dei due fondi. Il secondo problema si concentra sulla ricerca dell'allocazione ottimale tra due attività rischiose e negativamente correlate. Il terzo problema si estende all'allocazione ...