金融强化学习

本书的主要内容有：强化学习。深度Q学习。Actor-critic算法。这些算法的Python实现。如何将算法应用于金融问题，如算法交易、动态对冲和动态资产配置。本书是这一主题的理想参考书。你只需阅读一遍，然后根据自己的需要或想法更改示例，并在使用RL处理金融问题时随时参考。

Yves Hilpisch博士是Python Quants的创始人兼首席执行官，该组织专注于将开源技术用于金融数据科学、人工智能、资产管理、算法交易和计算金融。他还是金融Python证书项目的主任。

目录
前言 1
第一部分 基础知识
第1 章 通过互动学习 11
1.1 贝叶斯学习 11
1.1.1 抛出一枚有偏硬币 .12
1.1.2 掷一枚有偏骰子 16
1.1.3 贝叶斯更新 19
1.2 强化学习20
1.2.1 重大突破 .21
1.2.2 主要组成部分 24
1.3 深度Q 学习 .26
1.4 总结 .27
1.5 参考文献27
第2 章 深度Q 学习 .31
2.1 决策问题32
2.2 动态规划33
2.3 Q 学习 36
2.4 以CartPole 为例 39
2.4.1 游戏运行环境 39
2.4.2 随机智能体 42
2.4.3 DQL 智能体 43
2.5 Q 学习与监督学习的比较.48
2.6 总结 .49
2.7 参考文献50
第3 章 金融Q 学习 .51
3.1 金融环境52
3.2 DQL 智能体 .57
3.3 类比失败的地方 61
3.3.1 有限数据 .61
3.3.2 没有影响 .62
3.4 总结 .63
3.5 参考文献64
第二部分 数据增强
第4 章 模拟数据 67
4.1 含噪时间序列数据 68
4.2 模拟时间序列数据 73
4.3 总结 .81
4.4 参考文献81
4.5 DQLAgent Python 类 82
第5 章 数据准备 87
5.1 简单案例88
5.2 金融案例95
5.3 Kolmogorov-Smirnov 检验 99
5.4 总结 101
5.5 参考文献.102
第三部分 金融应用
第6 章 算法交易 . 105
6.1 重温预测游戏 106
6.2 交易环境.109
6.3 交易智能体 116
6.4 总结 119
6.5 参考文献.120
6.6 金融环境.120
6.7 DQLAgent 类 122
6.8 模拟环境.125
第7 章 动态对冲 . 129
7.1 Delta 对冲 130
7.2 对冲环境.140
7.3 对冲智能体 147
7.4 总结 153
7.5 参考文献.154
7.6 BSM (1973) 公式 154
第8 章 动态资产配置 157
8.1 双基金分离 158
8.2 双资产案例 176
8.3 三资产案例 185
8.4 等权重投资组合 .192
8.5 总结 193
8.6 参考文献.194
8.7 三资产代码 194
第9 章 最优执行 . 201
9.1 模型 202
9.2 模型实现.205
9.3 执行环境.212
9.4 随机智能体 216
9.5 执行智能体 217
9.6 总结 224
9.7 参考文献.225
第10 章 结语 227