ODBIERZ TWÓJ BONUS :: »

Uczenie przez wzmacnianie w finansach. Wprowadzenie z wykorzystaniem Pythona Yves J. Hilpisch

(ebook) (audiobook) (audiobook)
Autor:
Yves J. Hilpisch
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
Bądź pierwszym, który oceni tę książkę
Stron:
184
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
47,40 zł 79,00 zł (-40%)
47,40 zł najniższa cena z 30 dni

Dodaj do koszyka Wysyłamy w 24h

Ebook
34,90 zł 79,00 zł (-56%)
39,50 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Zasad działania uczenia przez wzmacnianie i jego kluczowych elementów
  • Wykorzystywania algorytmu Deep Q-Learning (DQL) w praktyce
  • Implementowania algorytmu Q-learning w języku Python
  • Rozróżniania uczenia przez wzmacnianie od uczenia nadzorowanego
  • Tworzenia i testowania agentów DQL na przykładzie gry CartPole
  • Stosowania Q-learningu do rozwiązywania problemów finansowych
  • Analizowania ograniczeń i specyfiki danych finansowych w kontekście RL
  • Generowania i symulowania szeregów czasowych z szumem
  • Wykorzystywania testu Kołmogorowa-Smirnowa do oceny danych
  • Budowania środowisk symulacyjnych do eksperymentów finansowych
  • Tworzenia agentów do handlu algorytmicznego i dynamicznego hedgingu
  • Implementowania dynamicznej alokacji środków w portfelu inwestycyjnym
  • Optymalizowania realizacji zleceń na rynkach finansowych
  • Programowania i modyfikowania agentów RL do różnych zastosowań finansowych
  • Analizowania wyników i ograniczeń wybranych algorytmów w praktyce

Uczenie przez wzmacnianie okazało się przełomowym rozwiązaniem. Jednym z najciekawszych algorytmów jest Deep Q-Learning (DQL), który może być stosowany do zmieniających się warunków decyzyjnych. DQL w wielu przypadkach wykazuje skuteczność nieosiągalną dla człowieka. Nic dziwnego, że użycie tego rodzaju algorytmów w branży finansowej wydaje się wyjątkowo atrakcyjną opcją.

Ta książka jest zwięzłym wprowadzeniem do głównych zagadnień i aspektów uczenia przez wzmacnianie i algorytmów DQL. Docenią ją zarówno naukowcy, jak i praktycy poszukujący skutecznych algorytmów, przydatnych w pracy z finansami. Znajdziesz tu wiele interesujących przykładów w języku Python, zaprezentowanych w formie najciekawszych algorytmów gotowych do samodzielnego modyfikowania i testowania.

W książce między innymi:

  • uczenie przez wzmacnianie
  • algorytm DQL
  • algorytm aktor-krytyk
  • implementacja powyższych algorytmów w Pythonie
  • rozwiązywanie problemów handlu algorytmicznego, hedgingu dynamicznego i dynamicznej alokacji środków w aktywa

Książka ta doskonale wypełnia lukę między teorią a praktyką dzięki jasnym objaśnieniom i szczegółowemu kodowi w Pythonie!

Ivilina Popova, Texas State University

Wybrane bestsellery

O autorze książki

Dr Yves J. Hilpisch kieruje programem Certificate in Python for Finance, pionierską inicjatywą edukacyjną. Jest też twórcą DX Analytics, biblioteki służącej do analityki finansowej. Regularnie organizuje w globalnych centrach finansowych konferencje i bootcampy dotyczące zastosowań Pythona, a także sztucznej inteligencji w obszarze finansów ilościowych i handlu algorytmicznego.

Zobacz pozostałe książki z serii

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy książka zawiera praktyczne przykłady kodu w języku Python?
Tak, książka zawiera liczne przykłady kodu w Pythonie, które ilustrują implementację algorytmów uczenia przez wzmacnianie, w tym Deep Q-Learning, oraz ich zastosowanie w finansach.
2. Czy muszę znać zaawansowaną matematykę lub uczenie maszynowe, aby zrozumieć treść książki?
Nie, książka została napisana jako wprowadzenie i skupia się na jasnych wyjaśnieniach oraz praktycznych przykładach, dzięki czemu jest przystępna również dla osób rozpoczynających naukę w tej dziedzinie.
3. Jakie zagadnienia finansowe są omawiane w książce?
W książce omówiono praktyczne zastosowania uczenia przez wzmacnianie w finansach, takie jak handel algorytmiczny, dynamiczny hedging, dynamiczna alokacja środków w aktywa oraz optymalna realizacja zleceń.
4. Czy mogę wykorzystać przedstawione algorytmy i przykłady do własnych projektów?
Tak, przedstawione w książce algorytmy i przykłady kodu są gotowe do samodzielnego testowania i modyfikowania, co ułatwia wykorzystanie ich w własnych projektach i eksperymentach.
5. Czy książka nadaje się do samodzielnej nauki?
Tak, książka została napisana z myślą o samodzielnej nauce - zawiera liczne przykłady, szczegółowe wyjaśnienia oraz ćwiczenia, które pomagają w praktycznym opanowaniu materiału.
6. Jakie środowiska i narzędzia są używane w przykładach?
Przykłady w książce wykorzystują popularne środowiska symulacyjne oraz biblioteki Pythona, takie jak NumPy, co umożliwia łatwe uruchomienie i modyfikowanie kodu na własnym komputerze.
7. Czy książka obejmuje zarówno teorię, jak i praktykę?
Tak, publikacja łączy przystępne wprowadzenie teoretyczne z praktycznymi przykładami i szczegółowym kodem, co pozwala lepiej zrozumieć i zastosować omawiane algorytmy w rzeczywistych problemach finansowych.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki
Proszę czekać...
ajax-loader

Zamknij

Wybierz metodę płatności

Książka
47,40 zł
Dodaj do koszyka
Ebook
34,90 zł
Dodaj do koszyka
Zamknij Pobierz aplikację mobilną Ebookpoint