Apprentissage par renforcement pour la finance

Chapitre 5. Données générées

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans le cadre proposé par adversarial nets, le modèle génératif est opposé à un adversaire : un modèle discriminant qui apprend à déterminer si un échantillon provient de la distribution du modèle ou de la distribution des données. Le modèle génératif peut être assimilé à une équipe de faux-monnayeurs, qui essaient de produire de la fausse monnaie et de l'utiliser sans être détectés, tandis que le modèle discriminant est analogue à la police, qui essaie de détecter la fausse monnaie. La concurrence dans ce jeu pousse les deux équipes à améliorer leurs méthodes jusqu'à ce que les contrefaçons soient impossibles à distinguer des articles authentiques.

Goodfellow et al. (2014)

Dans leur article fondateur, Goodfellow et al. (2014) présentent generative adversarial nets (GANs) qui s'appuient sur un générateur et un discriminateur dits. Le générateur est entraîné sur un ensemble de données donné. Son but est de générer des données qui sont similaires "en nature", c'est-à-dire, dans un sens statistique, à l'ensemble de données d'origine. Le discriminateur est entraîné à faire la distinction entre les échantillons de l'ensemble de données original et les échantillons générés par le générateur. L'objectif est d'entraîner le générateur à produire des échantillons que le discriminateur ne peut pas distinguer des échantillons originaux. ...