深度強化學習--算法原理與金融實踐入門
謝文傑 周煒星
160人在讀
18.8萬字總字數
¥48.3定價
謝文傑 周煒星
深度強化學習是人工智能和機器學習的重要分支領域，有着廣泛應用，如AlphaGo和ChatGPT。本書作爲該領域的入門教材，在內容上儘可能覆蓋深度強化學習的基礎知識和經典算法。全書共10章，大致分爲4部分：第1部分（第1～2章）介紹深度強化學習背景（智能決策、人工智能和機器學習）；第2部分（第3～4章）介紹深度強化學習基礎知識（深度學習和強化學習）；第3部分（第5～9章）介紹深度強化學習經典算法（DQN、AC、DDPG等）；第4部分（第10章）爲總結和展望。每章都附有習題並介紹了相關閱讀材料，以便有興趣的讀者進一步深入探索。 本書可作爲高等院校計算機、智能金融及相關專業的本科生或研究生教材，也可供對深度強化學習感興趣的研究人員和工程技術人員閱讀參考。
【基於離散馬爾可夫決策過程的金融市場環境模型】基於離散馬爾可夫決策過程(Markov Decision Process，MDP)的金融市場環境模型可以表示爲六元組(S,A,P,R,γ,H)，其中： · S表示金融市場環境狀態集合； · A表示智能體動作集合； · P:S×A×S→[0,1]是金融市場環境狀態轉移函數； · R:S×A×S→R是金融市場環境回報函數；R爲連續的區間，R(st,at,st+1)∈R，Rmax∈ℝ+(e.g.,[0,Rmax])； · γ∈[0,1）是折扣係數； · H是投資期限。 基於離散馬爾可夫決策過程的金融市場環境模型在經典馬爾可夫決策過程的基礎上增加了一個投資期限H。隨着模型越來越複雜，模型可表示的動力學過程也越來越豐富。投資期限H簡化了模型，有利於投資智能體的建模和訓練。在金融市場環境中，基於強化學習的智能交易系統模塊。