Apprentissage par renforcement pour la finance

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

L'apprentissage par renforcement (AR) a permis plusieurs avancées dans le domaine de l'IA. L'utilisation de l'algorithme d'apprentissage par renforcement quantitatif (ARQ) a permis à des chercheurs de développer des agents capables de jouer à des jeux d'arcade et de société à un niveau surhumain. Plus récemment, l'AR, l'ARQ et d'autres méthodes similaires ont gagné en popularité dans les publications liées à la recherche financière.

Cet ouvrage est l'un des premiers à explorer l'utilisation des méthodes d'apprentissage par renforcement en finance.

L'auteur Yves Hilpisch, fondateur et PDG de The Python Quants, fournit de manière concise les informations de base dont tu as besoin. Les praticiens du ML, les traders financiers, les gestionnaires de portefeuille, les stratèges et les analystes se concentreront sur la mise en œuvre de ces algorithmes sous la forme d'un code Python autonome et sur leur application à d'importants problèmes financiers.

Ce livre couvre :

• Apprentissage par renforcement
• Deep Q-learning
• Les implémentations Python de ces algorithmes
• Comment appliquer les algorithmes à des problèmes financiers tels que le trading algorithmique, la couverture dynamique et l'allocation dynamique d'actifs.

Ce livre est la référence idéale sur ce sujet. Tu le liras une fois, tu modifieras les exemples en fonction de tes besoins ou de tes idées, et tu t'y référeras chaque fois que tu travailleras avec le RL pour la finance.

Yves Hilpisch est le fondateur et le PDG de The Python Quants, un groupe qui se concentre sur l'utilisation des technologies open source pour la science des données financières, l'IA, la gestion d'actifs, le trading algorithmique et la finance computationnelle.