Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library

Книга посвящена применению методов обучения с подкреплением (Reinforcement Learning) для решения практических задач в финансовой сфере. Автор демонстрирует, как использовать сверточные (CNN) и рекуррентные (RNN) нейронные сети на базе библиотеки TensorFlow для построения интеллектуальных торговых стратегий, управления портфелем и оценки рисков.

Издание начинается с основ TensorFlow: тензоры, графы вычислений, слои, модели, функции активации и потерь. Затем читатель знакомится с ключевыми концепциями обучения с подкреплением — марковскими процессами принятия решений, Q-обучением, глубокими Q-сетями (DQN) и методами градиента политики.

Основная часть книги посвящена финансовым приложениям: прогнозированию цен активов, оптимизации портфеля, хеджированию деривативов и алгоритмической торговле. Особое внимание уделено использованию CNN для анализа временных рядов и RNN (включая LSTM) для моделирования последовательностей финансовых данных.

Книга ориентирована на специалистов по данным, количественных аналитиков и разработчиков, знакомых с Python и основами машинного обучения. Она содержит практические примеры кода, которые можно адаптировать для реальных финансовых задач.