reklama - zainteresowany?

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona - Helion

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

MIEJSCE 35 na liście TOP 20
Autor: Yves J. Hilpisch
ISBN: 978-83-289-2578-6
okładka: mi
Data wydania: 2025-05-01
Księgarnia: Helion

Cena książki: 47,40 zł (poprzednio: 79,00 zł)
Oszczędzasz: 40% (-31,60 zł)

Dodaj do koszyka Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

Dodaj do koszyka Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

 

Osoby które kupowały "Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona", wybierały także:

  • Cisco CCNA 200-301. Kurs video. Podstawy sieci komputerowych i konfiguracji. Część 1
  • Cisco CCNP Enterprise 350-401 ENCOR. Kurs video. Sieci przedsi
  • Jak zhakowa
  • Windows Media Center. Domowe centrum rozrywki
  • Deep Web bez tajemnic. Kurs video. Pozyskiwanie ukrytych danych

Dodaj do koszyka Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

Spis treści

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona -- spis treści

Przedmowa

Część I. Podstawy

  • 1. Uczenie się na podstawie interakcji
    • Uczenie bayesowskie
      • Rzuty niesymetryczną monetą
      • Rzuty niesymetryczną kością
      • Aktualizacje bayesowskie
    • Uczenie przez wzmacnianie
      • Najważniejsze przełomowe osiągnięcia
      • Główne elementy składowe
    • Deep Q-Learning (DQL)
    • Podsumowanie
    • Literatura
  • 2. Deep Q-learning
    • Problemy decyzyjne
    • Programowanie dynamiczne
    • Q-Learning
    • Przykłady z grą CartPole
      • Środowisko gry
      • Losowy agent
      • Agent DQL
    • Q-Learning a uczenie nadzorowane
    • Podsumowanie
    • Literatura
  • 3. Algorytm Q-learning w finansach
    • Środowisko Finance
    • Agent DQL
    • Miejsca, w których analogia zawodzi
      • Ograniczona ilość danych
      • Brak wpływu
    • Podsumowanie
    • Literatura

Część II. Rozszerzanie danych

  • 4. Symulowane dane
    • Szeregi czasowe z szumem
    • Symulowane szeregi czasowe
    • Podsumowanie
    • Literatura
    • Klasa Pythona DQLAgent
  • 5. Dane generowane
    • Prosty przykład
    • Przykład finansowy
    • Test Kołmogorowa-Smirnowa
    • Podsumowanie
    • Literatura

Część III. Zastosowania finansowe

  • 6. Handel algorytmiczny
    • Jeszcze o grze predykcyjnej
    • Środowisko Trading
    • Agent transakcyjny
    • Podsumowanie
    • Literatura
    • Środowisko Finance
    • Klasa DQLAgent
    • Środowisko Simulation
  • 7. Dynamiczny hedging
    • Delta hedging
    • Środowisko Hedging
    • Agent do hedgingu
    • Podsumowanie
    • Literatura
    • Wzór według modelu BSM (1973)
  • 8. Dynamiczna alokacja w aktywa
    • Podział między dwa fundusze
    • Scenariusz z dwoma aktywami
    • Scenariusz z trzema aktywami
    • Portfel o równych wagach
    • Podsumowanie
    • Literatura
    • Kod dla scenariusza z trzema aktywami
  • 9. Optymalna realizacja zleceń
    • Model
    • Implementacja modelu
    • Środowisko realizacji transakcji
    • Agent losowy
    • Agent do realizacji transakcji
    • Podsumowanie
    • Literatura
  • 10. Uwagi końcowe
    • Literatura

Dodaj do koszyka Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2025 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.