Apprendimento per rinforzo per la finanza

Prefazione

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

Dimmi e dimenticherò. Insegnami e mi ricordo. Coinvolgimi e imparo.

Benjamin Franklin

L'apprendimento per rinforzo (RL) ha permesso una serie di scoperte nel campo dell'intelligenza artificiale. Uno degli algoritmi chiave dell'RL è il deep Q-learning (DQL) che può essere applicato a un gran numero di problemi decisionali dinamici. Esempi popolari sono i giochi arcade e da tavolo, come Go, in cui gli algoritmi RL e DQL hanno raggiunto prestazioni sovrumane in molti casi. Questo è accaduto spesso nonostante gli esperti credessero che tali imprese sarebbero state impossibili nei decenni a venire.

Finanza è una disciplina con un forte legame tra teoria e pratica. I progressi teorici spesso si diffondono rapidamente nel campo dell'applicazione. Molti problemi della finanza sono problemi decisionali dinamici, come l'allocazione ottimale degli asset nel tempo. Pertanto, da un lato è teoricamente interessante applicare il DQL ai problemi finanziari. Dall'altro lato, è anche abbastanza facile e diretto applicare questi algoritmi - di solito dopo averli testati a fondo - ai mercati finanziari.

Negli ultimi anni, la ricerca finanziaria ha visto una forte crescita di pubblicazioni relative a RL, DQL e metodi correlati applicati alla finanza. Tuttavia, non esiste quasi nessuna risorsa in forma di libro - al di là di quelle puramente teoriche ...