Apprentissage par renforcement pour la finance

Préface

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

Dis-moi et j'oublie. Enseigne-moi et je me souviens. Implique-moi et j'apprends.

Benjamin Franklin

L'apprentissage par renforcement (RL) a permis un certain nombre de percées dans le domaine de l'IA. L'un des algorithmes clés du RL est le deep Q-learning (DQL) qui peut être appliqué à un grand nombre de problèmes de décision dynamiques. Les exemples populaires sont les jeux d'arcade et les jeux de société, tels que Go, dans lesquels les algorithmes RL et DQL ont atteint des performances surhumaines dans de nombreux cas. Cela s'est souvent produit malgré la conviction des experts que de tels exploits seraient impossibles pendant des décennies.

Finance est une discipline qui présente un lien étroit entre la théorie et la pratique. Les avancées théoriques se retrouvent souvent rapidement dans le domaine appliqué. De nombreux problèmes en finance sont des problèmes de décision dynamiques, tels que l'allocation optimale des actifs au fil du temps. Il est donc, d'une part, intéressant d'un point de vue théorique d'appliquer DQL aux problèmes financiers. D'autre part, il est en général assez facile et direct d'appliquer de tels algorithmes - généralement après des tests approfondis - sur les marchés financiers.

Ces dernières années, la recherche financière a connu une forte croissance des publications relatives à la RL, à la DQL et aux méthodes ...