فلش‌کارت‌های آموزشی تکنیک‌های یادگیری تقویتی بر روی ساختارهای شبکه‌ای برای معاملات

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های یادگیری تقویتی بر روی ساختارهای شبکه‌ای برای معاملات

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: توسعه الگوریتم‌های معاملاتی بر اساس ساختار شبکه

📋 سرفصل‌های دوره

• 1. مقدمه به یادگیری تقویتی
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. عامل، محیط، پاداش، حالت، اقدام
• 4. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 5. قوانین سیاست و تابع ارزش
• 6. اعتماد به نفس در یادگیری تقویتی
• 7. کشف در مقابل استفاده
• 8. یادگیری از طریق خطا
• 9. روش‌های مبتنی بر ارزش
• 10. روش‌های مبتنی بر سیاست
• 11. روش‌های ترکیبی
• 12. تعمیم در یادگیری تقویتی
• 13. شبکه‌های عصبی در یادگیری تقویتی
• 14. یادگیری عمیق تقویتی (DRL)
• 15. شبکه‌های عصبی کانولوشنال (CNN)
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. حافظه کوتاه‌مدت طولانی (LSTM)
• 18. شبکه‌های عصبی ترنسفورمر
• 19. ساختارهای شبکه‌ای در یادگیری تقویتی
• 20. شبکه‌های عصبی گراف (GNN)
• 21. شبکه‌های عصبی توجهی
• 22. یادگیری تقویتی چند عامله (MARL)
• 23. بازی‌ها و نظریه بازی‌ها
• 24. مفاهیم ساختارهای شبکه‌ای
• 25. انواع ساختارهای شبکه‌ای
• 26. شبکه‌های اجتماعی
• 27. شبکه‌های زیستی
• 28. شبکه‌های حمل و نقل
• 29. شبکه‌های ارتباطی
• 30. کاربرد DRL در معاملات
• 31. معاملات الگوریتمی
• 32. تخصیص دارایی
• 33. مدیریت سبد سرمایه
• 34. پیش‌بینی قیمت سهام
• 35. اجرای سفارش
• 36. بهینه‌سازی استراتژی معاملاتی
• 37. ارزیابی عملکرد استراتژی
• 38. ریسک در معاملات
• 39. مدیریت ریسک
• 40. یادگیری تقویتی برای مدیریت ریسک
• 41. مدل‌سازی رفتار بازار
• 42. شبیه‌سازی بازار
• 43. بازارهای مالی و پیچیدگی آن‌ها
• 44. استفاده از GNN برای مدل‌سازی بازار
• 45. نمایش گرافیکی دارایی‌ها
• 46. روابط بین دارایی‌ها
• 47. پویایی بازار بر اساس ساختار شبکه
• 48. یادگیری تقویتی بر روی GNN
• 49. بهینه‌سازی پرتفوی با GNN
• 50. پیش‌بینی سری‌های زمانی با GNN
• 51. تجزیه و تحلیل احساسات در شبکه‌های اجتماعی
• 52. یادگیری تقویتی برای استخراج احساسات
• 53. تاثیر اخبار و رسانه‌ها بر بازار
• 54. مدل‌سازی انتشار اطلاعات در شبکه‌ها
• 55. تأثیر شبکه‌ها بر تصمیمات معاملاتی
• 56. یادگیری تقویتی برای شناسایی الگوهای معاملاتی
• 57. الگوهای کلاسیک در نمودارها
• 58. شناسایی الگوهای پیچیده با DRL
• 59. تکنیک‌های شبکه عصبی پیشرفته
• 60. شبکه‌های عصبی گراف کانولوشنال (GCN)
• 61. شبکه‌های عصبی گراف توجهی (GAT)
• 62. یادگیری تقویتی مبتنی بر GAT
• 63. تکنیک‌های یادگیری مستقل از عامل
• 64. یادگیری تقویتی مستقل از محیط
• 65. یادگیری تقویتی مقاوم
• 66. یادگیری تقویتی تفسیرپذیر
• 67. تکنیک‌های پیشرفته DRL
• 68. پیاده‌سازی الگوریتم‌های DRL
• 69. چارچوب‌های DRL (TensorFlow, PyTorch)
• 70. شبیه‌سازهای معاملاتی
• 71. تنظیم پارامترها در DRL
• 72. مشکل انفجار گرادیان
• 73. مشکل ناپدید شدن گرادیان
• 74. روش‌های جلوگیری از انفجار گرادیان
• 75. روش‌های مقابله با ناپدید شدن گرادیان
• 76. یادگیری تقویتی برای معاملات با فرکانس بالا
• 77. معاملات با تأخیر کم
• 78. استفاده از DRL در بازارهای پرنوسان
• 79. بهینه‌سازی اجرای سفارشات خرد
• 80. یادگیری تقویتی برای معاملات الگوریتمی پیچیده
• 81. خودکارسازی تصمیم‌گیری معاملاتی
• 82. یادگیری تقویتی در بازارهای غیرمتمرکز
• 83. بلاکچین و معاملات
• 84. قراردادهای هوشمند
• 85. یادگیری تقویتی برای مدیریت بازارسازهای خودکار (AMM)
• 86. بهینه‌سازی تامین نقدینگی
• 87. مدل‌سازی رفتار بازیگران بازار
• 88. بازی‌های صفر و یک
• 89. تعادل نش
• 90. یادگیری تقویتی در محیط‌های رقابتی
• 91. چالش‌های پیاده‌سازی DRL در دنیای واقعی
• 92. مسائل مربوط به داده‌های بازار
• 93. قوانین و مقررات
• 94. تست و اعتبارسنجی مدل‌های DRL
• 95. نگهداری و به‌روزرسانی مدل‌ها
• 96. یادگیری تقویتی برای استراتژی‌های بلندمدت
• 97. استراتژی‌های میان‌مدت
• 98. پژوهش‌های آینده در DRL برای معاملات
• 99. یادگیری تقویتی با دانش قبلی
• 100. یادگیری تقویتی با نظارت