کتاب صوتی یادگیری تقویتی چندعامله: از تئوری تا عمل در دنیای معاملات

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: از تئوری تا عمل در دنیای معاملات

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های معاملاتی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی
• 2. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 3. مفاهیم اساسی عامل و محیط
• 4. حالت، عمل و پاداش در یادگیری تقویتی
• 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 6. تابع ارزش و سیاست
• 7. الگوریتم‌های یادگیری تقویتی تک‌عامله
• 8. یادگیری Q-Learning
• 9. یادگیری SARSA
• 10. روش‌های مبتنی بر گرادیان سیاست
• 11. تعمیم به شبکه‌های عصبی عمیق (DQN)
• 12. یادگیری تقویتی عمیق
• 13. مقدمه‌ای بر معاملات و بازارهای مالی
• 14. مفاهیم پایه در معاملات سهام
• 15. انواع سفارشات در معاملات
• 16. تحلیل تکنیکال مقدماتی
• 17. تحلیل فاندامنتال مقدماتی
• 18. مدیریت ریسک در معاملات
• 19. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 20. تفاوت MARL با یادگیری تقویتی تک‌عامله
• 21. چالش‌های کلیدی در MARL
• 22. حالت مشترک و حالت محلی
• 23. کنش‌های مشترک و کنش‌های محلی
• 24. پاداش مشترک و پاداش محلی
• 25. تعریف محیط چندعامله برای معاملات
• 26. مدل‌سازی تعاملات بین معامله‌گران
• 27. یادگیری سیاست مشترک
• 28. یادگیری سیاست‌های مستقل (Independent Learners)
• 29. نظریه بازی‌ها و کاربرد آن در MARL
• 30. مفهوم تعادل نش (Nash Equilibrium)
• 31. بازی‌های تکراری و کاربرد آن
• 32. استراتژی‌های مبتنی بر نظریه بازی‌ها در معاملات
• 33. الگوریتم‌های MARL برای معاملات
• 34. Deep Q-Networks برای محیط‌های چندعامله (MADQN)
• 35. Policy Gradient Methods در MARL
• 36. Actor-Critic Methods در MARL
• 37. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 38. Counterfactual Multi-Agent Policy Gradients (COMA)
• 39. Value Decomposition Networks (VDN)
• 40. QMIX
• 41. سایر روش‌های تجزیه ارزش
• 42. کاربرد MARL در معاملات خودکار
• 43. طراحی عاملان معامله‌گر با استفاده از MARL
• 44. یادگیری استراتژی‌های ورود و خروج
• 45. مدیریت پورتفولیو با استفاده از MARL
• 46. تخصیص دارایی پویا
• 47. معاملات الگوریتمی مبتنی بر MARL
• 48. شبیه‌سازی بازارهای مالی با چندین عامل
• 49. ارزیابی عملکرد عاملان معامله‌گر
• 50. معیارهای ارزیابی در معاملات خودکار
• 51. مقایسه عملکرد الگوریتم‌های مختلف MARL
• 52. تست استراتژی‌ها در داده‌های تاریخی
• 53. مدل‌سازی ریسک در سیستم‌های معاملاتی چندعامله
• 54. مدیریت سرمایه در محیط‌های پرنوسان
• 55. تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 56. اعتبارسنجی متقابل (Cross-validation) برای استراتژی‌های معاملاتی
• 57. بهینه‌سازی ابرپارامترها (Hyperparameter Optimization)
• 58. کاربرد MARL در پیش‌بینی روند بازار
• 59. تحلیل سری‌های زمانی مالی
• 60. ویژگی‌های استخراج شده از داده‌های مالی
• 61. مدل‌سازی نوسانات بازار
• 62. کاربرد MARL در شناسایی الگوهای معاملاتی
• 63. الگوهای کلاسیک تحلیل تکنیکال
• 64. شناسایی الگوهای پیچیده با شبکه‌های عصبی
• 65. کاربرد MARL در مدیریت سفارشات
• 66. بهینه‌سازی اجرای سفارشات
• 67. کاهش لغزش قیمت (Slippage)
• 68. کاربرد MARL در معاملات با فرکانس بالا
• 69. چالش‌های پردازش داده در معاملات با فرکانس بالا
• 70. طراحی معماری‌های کارآمد برای معاملات با فرکانس بالا
• 71. کاربرد MARL در معاملات آتی و آپشن
• 72. مدل‌سازی پیچیدگی قراردادهای مشتقه
• 73. یادگیری استراتژی‌های معاملاتی مشتقه
• 74. اخلاق در معاملات الگوریتمی
• 75. مسئولیت‌پذیری عاملان خودکار
• 76. شفافیت و قابلیت تفسیر (Interpretability) در MARL
• 77. ملاحظات نظارتی در معاملات الگوریتمی
• 78. چارچوب‌های قانونی معاملات در ایران
• 79. ضوابط بانک مرکزی در خصوص معاملات الگوریتمی
• 80. اقتصاد اسلامی و معاملات
• 81. اصول فقهی در بازارهای مالی
• 82. معاملات سلف و سهم
• 83. قواعد فقهی ناظر بر معاملات
• 84. کاربرد ابزارهای مالی اسلامی
• 85. ملاحظات شرعی در استفاده از هوش مصنوعی در معاملات
• 86. فتوای علمای عظام در خصوص معاملات الگوریتمی
• 87. تطبیق با مقررات داخلی و شرعی
• 88. پرهیز از ربا و قمار در معاملات
• 89. اصول مدیریت سرمایه در چارچوب اسلامی
• 90. روش‌های مدیریت ریسک شرعی
• 91. نکات تکمیلی در خصوص یادگیری تقویتی چندعامله
• 92. چالش‌های محاسباتی در MARL
• 93. بهبود مقیاس‌پذیری الگوریتم‌ها
• 94. یادگیری تقویتی با پاداش نامشخص
• 95. یادگیری تقویتی با اطلاعات ناقص
• 96. روش‌های اکتشاف در محیط‌های پیچیده
• 97. پژوهش‌های آتی در MARL برای معاملات