This course aims at introducing the fundamental concepts of Reinforcement Learning (RL), and develop use cases for applications of RL for option valuation, trading, and asset management.
Prerequisites are the courses "Guided Tour of Machine Learning in Finance" and "Fundamentals of Machine Learning in Finance". Students are expected to know the lognormal process and how it can be simulated. Knowledge of option pricing is not assumed but desirable.
Ce cours fait partie de la Spécialisation Machine Learning and Reinforcement Learning in Finance
Reinforcement Learning in Finance
proposé par
Spécialisation Machine Learning and Reinforcement Learning in FinanceUniversité de New York, Tandon School of Engineering
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
14 heures pour terminer
MDP and Reinforcement Learning
14 vidéos (Total 107 min), 2 lectures, 1 quiz
14 vidéos
Prerequisites7 min
Welcome to the Course5 min
Introduction to Markov Decision Processes and Reinforcement Learning in Finance9 min
MDP and RL: Decision Policies9 min
MDP & RL: Value Function and Bellman Equation7 min
MDP & RL: Value Iteration and Policy Iteration4 min
MDP & RL: Action Value Function9 min
Options and Option pricing7 min
Black-Scholes-Merton (BSM) Model8 min
BSM Model and Risk9 min
Discrete Time BSM Model7 min
Discrete Time BSM Hedging and Pricing8 min
Discrete Time BSM BS Limit6 min
2 lectures
Jupyter Notebook FAQ10 min
Hedged Monte Carlo: low variance derivative pricing with objective probabilities10 min
Semaine
24 heures pour terminer
MDP model for option pricing: Dynamic Programming Approach
7 vidéos (Total 59 min), 2 lectures, 1 quiz
7 vidéos
MDP Formulation10 min
Action-Value Function5 min
Optimal Action From Q Function6 min
Backward Recursion for Q Star8 min
Basis Functions8 min
Optimal Hedge With Monte-Carlo8 min
Optimal Q Function With Monte-Carlo10 min
2 lectures
Jupyter Notebook FAQ10 min
QLBS: Q-Learner in the Black-Scholes(-Merton) Worlds10 min
Semaine
34 heures pour terminer
MDP model for option pricing - Reinforcement Learning approach
8 vidéos (Total 71 min), 3 lectures, 1 quiz
8 vidéos
Week Introduction2 min
Batch Reinforcement Learning9 min
Stochastic Approximations8 min
Q-Learning8 min
Fitted Q-Iteration10 min
Fitted Q-Iteration: the Ψ-basis9 min
Fitted Q-Iteration at Work11 min
RL Solution: Discussion and Examples11 min
3 lectures
Jupyter Notebook FAQ10 min
QLBS: Q-Learner in the Black-Scholes(-Merton) Worlds and The QLBS Learner Goes NuQLear10 min
Course Project Reading: Global Portfolio Optimization10 min
Semaine
45 heures pour terminer
RL and INVERSE RL for Portfolio Stock Trading
10 vidéos (Total 82 min), 2 lectures, 1 quiz
10 vidéos
Week Welcome Video2 min
Introduction to RL for Trading12 min
Portfolio Model8 min
One Period Rewards6 min
Forward and Inverse Optimisation10 min
Reinforcement Learning for Portfolios9 min
Entropy Regularized RL8 min
RL Equations10 min
RL and Inverse Reinforcement Learning Solutions10 min
Course Summary3 min
2 lectures
Jupyter Notebook FAQ10 min
Multi-period trading via Convex Optimization10 min
À propos de Université de New York, Tandon School of Engineering
Tandon offers comprehensive courses in engineering, applied science and technology. Each course is rooted in a tradition of invention and entrepreneurship.
À propos de la Spécialisation Machine Learning and Reinforcement Learning in Finance
The main goal of this specialization is to provide the knowledge and practical skills necessary to develop a strong foundation on core paradigms and algorithms of machine learning (ML), with a particular focus on applications of ML to various practical problems in Finance.
The specialization aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include:
(1) mapping the problem on a general landscape of available ML methods,
(2) choosing particular ML approach(es) that would be most appropriate for resolving the problem, and
(3) successfully implementing a solution, and assessing its performance.
The specialization is designed for three categories of students:
· Practitioners working at financial institutions such as banks, asset management firms or hedge funds
· Individuals interested in applications of ML for personal day trading
· Current full-time students pursuing a degree in Finance, Statistics, Computer Science, Mathematics, Physics, Engineering or other related disciplines who want to learn about practical applications of ML in Finance.
The modules can also be taken individually to improve relevant skills in a particular area of applications of ML to finance.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
