Maschinelles Lernen und Data Science Blueprints für Finanzen

Kapitel 9. Verstärkungslernen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Anreize bestimmen fast alles, und die Finanzwelt ist da keine Ausnahme. Der Mensch lernt nicht aus Millionen etikettierter Beispiele. Stattdessen lernen wir oft aus positiven oder negativen Erfahrungen, die wir mit unseren Handlungen in Verbindung bringen. Das Lernen aus Erfahrungen und den damit verbundenen Belohnungen oder Bestrafungen ist der Kerngedanke des Verstärkungslernens (RL).¹

Verstärkungslernen ist ein Ansatz, bei dem eine Maschine darauf trainiert wird, durch optimale Strategien, die die Belohnungen maximieren und die Bestrafungen minimieren, die beste Handlungsweise zu finden.

Die Algorithmen des Verstärkungslernens, die AlphaGo (das erste Computerprogramm, das einen menschlichen Profi-Go-Spieler besiegt hat) ermöglicht haben, halten auch Einzug in die Finanzwelt. Der Grundgedanke des Reinforcement Learning, die Belohnungen zu maximieren, passt hervorragend zu verschiedenen Bereichen des Finanzwesens, einschließlich des algorithmischen Handels und des Portfoliomanagements. Reinforcement Learning eignet sich besonders gut für den algorithmischen Handel, denn das Konzept eines renditemaximierenden Agenten in einer unsicheren, dynamischen Umgebung hat viel mit einem Investor oder einer Handelsstrategie gemeinsam, die mit den Finanzmärkten interagiert. Auf Reinforcement Learning basierende Modelle gehen noch ...