آموزش یادگیری تقویتی برای استراتژی‌های معاملاتی - آخرین آپدیت

مقدمه‌ای بر دوره و یادگیری تقویتی Introduction to Course and Reinforcement Learning

• مقدمه دوره Introduction to Course

• یادگیری تقویتی چیست؟ What is Reinforcement Learning?

• مروری بر تاریخچه History Overview

• تکرار مقدار (Value Iteration) Value Iteration

• تکرار سیاست (Policy Iteration) Policy Iteration

• یادگیری TD TD Learning

• یادگیری Q Q Learning

• مزایای یادگیری تقویتی در استراتژی معاملاتی شما Benefits of Reinforcement Learning in Your Trading Strategy

• مزایای DRL برای کارایی و عملکرد استراتژی DRL Advantages for Strategy Efficiency and Performance

• آشنایی با Qwiklabs Introduction to Qwiklabs

یادگیری تقویتی مبتنی بر شبکه عصبی Neural Network Based Reinforcement Learning

• بررسی TD Gammon TD-Gammon

• شبکه‌های Q عمیق: تابع زیان (Loss) Deep Q Networks - Loss

• شبکه‌های Q عمیق: حافظه (Memory) Deep Q Networks Memory

• شبکه‌های Q عمیق: کدنویسی Deep Q Networks - Code

• گرادیان‌های سیاست (Policy Gradients) Policy Gradients

• مدل Actor Critic Actor-Critic

• مدل LSTM چیست؟ What is LSTM?

• توضیحات بیشتر درباره LSTM More on LSTM

• به‌کارگیری LSTM در داده‌های سری زمانی Applying LSTM to Time Series Data

بهینه‌سازی پورتفوی Portfolio Optimization

• نحوه توسعه سیستم معاملاتی DRL How to Develop a DRL Trading System

• مراحل لازم برای توسعه استراتژی DRL Steps Required to Develop a DRL Strategy

• بررسی‌های نهایی قبل از اجرای زنده استراتژی Final Checks Before Going Live with Your Strategy

• مدیریت ریسک سرمایه‌گذاری و معامله‌گری Investment and Trading Risk Management

• مدیریت ریسک استراتژی معاملاتی Trading Strategy Risk Management

• کاهش ریسک پورتفوی Portfolio Risk Reduction

• چرا AutoML؟ Why AutoML?

• دیدگاه AutoML در بینایی ماشین AutoML Vision

• AutoML در پردازش زبان طبیعی (NLP) AutoML NLP

• AutoML در جداول داده AutoML Tables