Reinforcement Learning for Finance: A Python-Based Introduction
Эта книга представляет собой практическое введение в применение методов обучения с подкреплением (Reinforcement Learning, RL) для решения финансовых задач. Автор, Ив Хильпиш, последовательно объясняет, как RL-агенты могут обучаться оптимальным стратегиям взаимодействия с финансовыми рынками через пробные действия и получаемое вознаграждение.
Основное внимание уделяется алгоритму Deep Q-Learning (DQL) и его адаптации к финансовой сфере. Книга разделена на три части: основы RL и DQL, методы аугментации данных (симулированные и сгенерированные данные) для обучения моделей, и, наконец, практические финансовые приложения.
В прикладных главах подробно рассматриваются ключевые задачи: алгоритмический трейдинг, динамическое хеджирование опционов, динамическое распределение активов (asset allocation) и оптимальное исполнение крупных ордеров (optimal execution). Каждая концепция подкреплена примерами кода на Python, что позволяет читателю не только понять теорию, но и реализовать собственные RL-агенты для финансовых сред.
Издание предназначено для аналитиков данных, количественных исследователей (quants), разработчиков алгоритмических торговых систем и всех, кто интересуется пересечением современных методов искусственного интеллекта и финансов. Книга предполагает базовое знакомство с Python, машинным обучением и основами финансовой математики.
