فلش‌کارت‌های آموزشی روش‌های تقویتی یادگیری برای تنظیم خودکار وزن فاکتورها در پرتفوی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های تقویتی یادگیری برای تنظیم خودکار وزن فاکتورها در پرتفوی

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: مدل‌سازی پویای وزن‌دهی به فاکتورها

📋 سرفصل‌های دوره

• 1. مقدمه: یادگیری تقویتی چیست
• 2. مبانی یادگیری تقویتی
• 3. عوامل اصلی در یادگیری تقویتی
• 4. نقش عامل و محیط
• 5. پاداش و تابع پاداش
• 6. حالت و فضای حالت
• 7. اقدام و فضای اقدام
• 8. سیاست عامل
• 9. تابع ارزش
• 10. یادگیری ارزش
• 11. یادگیری سیاست
• 12. روش‌های مدل‌دار در مقابل بدون مدل
• 13. یادگیری تقویتی بدون مدل
• 14. یادگیری Q
• 15. الگوریتم Q-Learning
• 16. Q-Learning Off-policy
• 17. Q-Learning On-policy
• 18. Deep Q-Networks (DQN)
• 19. اتساع حافظه در DQN
• 20. توابع هدف در DQN
• 21. Double DQN
• 22. Dueling DQN
• 23. Prioritized Experience Replay
• 24. Rainbow DQN
• 25. یادگیری سیاست بدون مدل
• 26. Policy Gradients
• 27. REINFORCE
• 28. Actor-Critic Methods
• 29. Advantage Actor-Critic (A2C)
• 30. Asynchronous Advantage Actor-Critic (A3C)
• 31. Trust Region Policy Optimization (TRPO)
• 32. Proximal Policy Optimization (PPO)
• 33. روش‌های مدل‌دار در مقابل بدون مدل (مرور)
• 34. یادگیری تقویتی مدل‌دار
• 35. Dyna-Q
• 36. Model-Based Reinforcement Learning Algorithms
• 37. یادگیری بر مبنای مدل با جستجوی درخت مونت کارلو (MCTS)
• 38. کاربرد یادگیری تقویتی در بهینه‌سازی پرتفوی
• 39. تنظیم خودکار وزن فاکتورها
• 40. اهداف بهینه‌سازی پرتفوی
• 41. مدل‌سازی فرآیند تنظیم پرتفوی
• 42. انتخاب حالت‌ها برای تنظیم پرتفوی
• 43. انتخاب اقدامات برای تنظیم پرتفوی
• 44. طراحی تابع پاداش برای تنظیم پرتفوی
• 45. ریسک و بازده در بهینه‌سازی پرتفوی
• 46. شاخص‌های عملکردی پرتفوی
• 47. محدودیت‌های در سبد گردانی
• 48. پیاده‌سازی Q-Learning برای تنظیم پرتفوی
• 49. پیاده‌سازی DQN برای تنظیم پرتفوی
• 50. پیاده‌سازی Actor-Critic برای تنظیم پرتفوی
• 51. مقایسه روش‌های مختلف در تنظیم پرتفوی
• 52. مطالعات موردی در تنظیم پرتفوی
• 53. شرایط بازار و تأثیر آن بر تنظیم پرتفوی
• 54. ارزیابی استحکام راهبردهای تنظیم پرتفوی
• 55. مدیریت ریسک در تنظیم پرتفوی
• 56. بدهی و تنظیم خودکار وزن فاکتورها
• 57. تنظیم خودکار وزن فاکتورها با نظارت
• 58. تنظیم خودکار وزن فاکتورها بدون نظارت
• 59. یادگیری تقویتی عمیق برای تنظیم پرتفوی
• 60. چالش‌های پیاده‌سازی در دنیای واقعی
• 61. انتخاب ویژگی‌ها برای حالات
• 62. پویایی محیط بازار
• 63. پاداش‌های تأخیری در تنظیم پرتفوی
• 64. تکنیک‌های پیشرفته یادگیری تقویتی
• 65. یادگیری تقویتی با پاداش اسپارس
• 66. یادگیری تقویتی با پاداش منفی
• 67. روش‌های مبتنی بر شبیه‌سازی
• 68. اعتبارسنجی راهبردها
• 69. پیش‌بینی بازار و نقش آن
• 70. یادگیری تقویتی در پرتفوی‌های پویا
• 71. تنظیم خودکار وزن فاکتورها با پویایی غیر خطی
• 72. یادگیری تقویتی برای پرتفوی‌های پیچیده
• 73. استراتژی‌های بازگشت سرمایه
• 74. بهینه‌سازی پرتفوی با متغیرهای خارجی
• 75. یادگیری تقویتی برای معاملات خودکار
• 76. تحلیل حساسیت پارامترها
• 77. تأثیر حجم معاملات بر تنظیم پرتفوی
• 78. یادگیری تقویتی با در نظر گرفتن کارمزد
• 79. تنظیم پرتفوی با دارایی‌های متعدد
• 80. یادگیری تقویتی برای سهام خرد
• 81. یادگیری تقویتی برای سرمایه‌گذاری بلندمدت
• 82. یادگیری تقویتی برای سرمایه‌گذاری کوتاه‌مدت
• 83. تنظیم خودکار وزن فاکتورها در بحران‌های مالی
• 84. یادگیری تقویتی در بازارهای نوظهور
• 85. یادگیری تقویتی برای بهینه‌سازی صندوق‌های سرمایه‌گذاری
• 86. یادگیری تقویتی برای پرتفوی‌های جایگزین
• 87. تکنیک‌های یادگیری ماشین در کنار یادگیری تقویتی
• 88. شبکه‌های عصبی کانولوشنال در تنظیم پرتفوی
• 89. شبکه‌های عصبی بازگشتی در تنظیم پرتفوی
• 90. تأثیر نویز در داده‌ها
• 91. مدل‌سازی اطمینان در یادگیری تقویتی
• 92. تفسیرپذیری مدل‌های یادگیری تقویتی
• 93. مسائل اخلاقی در تنظیم پرتفوی خودکار
• 94. آینده یادگیری تقویتی در مدیریت پرتفوی