![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 66
菩提树下的呆子
分享所想分享的
展开
-
强化学习论文解读之FinRL-Meta: Market Environments and Benchmarks for Data-Driven Financial Reinforcement Lear
FinRL-Meta是一个基于Python的金融强化学习框架,旨在帮助金融领域的研究人员和量化投资者利用数据驱动的方式来解决投资问题。本篇博客将介绍FinRL-Meta框架的设计思想、应用场景以及相关教程。该框架具有易用性、高效性和灵活性等优势,可应用于多种金融领域问题的解决,例如投资组合优化、股票预测和交易策略等。如果你是金融领域的研究人员、量化投资者或对金融机器学习感兴趣的开发者,那么本篇博客将为你提供有用的信息和实践指导。原创 2023-04-21 17:03:02 · 493 阅读 · 0 评论 -
强化学习论文解读之FinRL-Podracer: High Performance and Scalable Deep Reinforcement Learning for Quantitative
FinRL-Podracer是一种高性能、可扩展的深度强化学习框架,旨在帮助金融研究人员和量化交易员通过GPU云平台预测股票趋势。本篇博客将介绍FinRL-Podracer的特点和优势,并展示如何使用该框架构建深度强化学习模型来预测股票趋势。此外,本文还将探讨如何在金融领域使用MLOps(机器学习运维)来部署和管理模型。如果你是金融研究人员、量化交易员、机器学习从业者或对金融领域深度强化学习感兴趣的读者,那么本篇博客将为你提供有用的见解和实践指导。原创 2023-04-21 15:37:17 · 301 阅读 · 0 评论 -
强化学习论文解读之Explainable Deep Reinforcement Learning for Portfolio Management: An Empirical Approach
深度强化学习在组合管理中显示出了优异的性能,但这些模型的决策过程通常难以解释,限制了它们在实际应用中的应用。本博客将对一篇名为“可解释的深度强化学习在组合管理中的实证方法”的研究论文进行全面的概述。该论文提出了一种实证方法,用于解释深度强化学习模型在组合管理任务中的决策过程。通过将此方法应用于实际金融数据集,作者展示了该方法如何提供深度强化学习模型决策过程的洞察力。本博客将为对AI驱动的组合管理感兴趣的量化交易员、AI研究人员和金融专业人士提供有价值的信息。原创 2023-04-21 13:58:20 · 270 阅读 · 0 评论 -
强化学习论文解读之FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading in Quantitative
随着深度学习和强化学习的迅猛发展,自动化股票交易已成为许多量化交易员和金融工作者所关注的领域。为了帮助初学者更轻松地构建实用的DRL交易代理,FinRL库应运而生。FinRL是一种基于Python的深度强化学习库,专门用于解决量化金融问题。本篇博客将介绍FinRL库的原理和应用,并展示如何使用FinRL库轻松训练实用的DRL交易代理。如果你是量化交易员或AI工作者,那么本篇博客将为你提供有用的思路和实践指导。原创 2023-04-19 21:02:02 · 387 阅读 · 0 评论 -
强化学习论文解读之Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy-深度强化学习在自动股票交易
股票交易一直是高风险、高回报的领域,因此许多投资者都希望能够找到一种有效的自动化交易策略来获得更高的投资回报率。最近,一篇关于使用深度强化学习算法实现自动化股票交易策略的论文引起了广泛关注。本篇博客将介绍该论文的方法和实验结果,以幽默的例子讲解如何利用深度强化学习算法构建集成策略,并在股票交易中实现自动化交易。如果你是量化交易员或AI工作者,那么本篇博客将为你提供有用的思路和实践指导。原创 2023-04-20 10:15:00 · 424 阅读 · 0 评论 -
强化学习论文解读之Practical Deep Reinforcement Learning Approach for Stock Trading-实用深度强化学习方法在股票交易中的应用
在现代金融市场中,股票交易被认为是高风险高回报的领域之一,许多投资者试图利用各种交易策略来获得更高的投资回报。而强化学习,作为一种先进的人工智能技术,已被广泛应用于股票交易中。本篇博客将介绍深度强化学习在股票交易策略优化中的实践应用。我们将深入探讨如何使用马尔可夫决策过程(MDP)和深度神经网络来构建优化的股票交易策略,从而提高投资回报率。如果你是研究生、量化交易员或AI工作者,那么本篇博客将为你提供有用的见解和实践指导。原创 2023-04-19 15:08:00 · 320 阅读 · 0 评论 -
解决使用Auto-GPT本地部署时无法连接Google的问题和无法连接openai的问题
在这篇博客文章中,我们将介绍如何解决使用本地部署时遇到的无法访问Google的问题。文章的目标受众为编程者和AI工作者。Command google returned: Error: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败。原创 2023-04-16 23:54:30 · 4550 阅读 · 14 评论 -
强化学习中DQN算法的相关超参数背后的意义
决定智能体学习环境时使用的策略网络结构,如多层感知机策略(MlpPolicy)或卷积神经网络策略(CnnPolicy)。0表示无输出,1表示信息消息(如使用的设备或包装器),2表示调试消息。: 软更新系数(“Polyak更新”,取值范围0到1),默认值为1表示硬更新。: 用于训练的环境。: 控制计算滚动统计数据时使用的窗口大小,影响评估模型性能时的平滑程度。: 决定存储过去经验的缓冲区大小,影响智能体从历史数据中学习的能力。: 控制未来奖励的折扣程度,影响智能体对即时和未来奖励的重视程度。原创 2023-04-14 15:38:21 · 3838 阅读 · 2 评论 -
强化学习中on_plicy和off_policy最大的区别
策略更新方法可以分为两类:On-policy(在线策略)和Off-policy(离线策略)。它们之间的主要区别在于如何使用经验(状态、动作、奖励和下一个状态)来更新智能体的策略。总之,On-policy和Off-policy方法之间的最大区别在于它们如何使用经验数据来更新策略。On-policy方法仅使用当前。原创 2023-04-13 16:18:07 · 1396 阅读 · 1 评论 -
ubuntu系统Anaconda下载安装教程
conda 创建环境。原创 2022-09-15 12:56:55 · 2662 阅读 · 0 评论