کتاب کاربرد MARL در مدل‌سازی رفتار سرمایه‌گذاران در مدیریت پورتفولیو با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد MARL در مدل‌سازی رفتار سرمایه‌گذاران در مدیریت پورتفولیو

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت پورتفولیو

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه‌ای یادگیری تقویتی چندعامله (MARL) و ساختار تصمیم‌گیری در بازارهای مالی
• 2. مدل‌سازی بازارهای مالی به عنوان محیط‌های تصمیم‌گیری چندعامله (Multi-Agent Environments)
• 3. تعریف پورتفولیو و چالش‌های تخصیص دارایی پویا تحت عدم قطعیت
• 4. بررسی نظریه بازی‌ها و تعادل نش در تعاملات میان سرمایه‌گذاران مختلف
• 5. مدل‌سازی رفتار سرمایه‌گذاران خرد و نهادی به عنوان عامل‌های هوشمند (Agents)
• 6. تعریف فضاها، پاداش‌ها و عملکردهای مطلوب در بهینه‌سازی پورتفولیو با MARL
• 7. الگوریتم‌های یادگیری تقویتی تک‌عامله در مقایسه با محدودیت‌های آن‌ها در محیط‌های مالی پویا
• 8. رویکردهای یادگیری مرکزی با اجرای غیرمرکزی (CTDE) در مدل‌سازی رفتار بازار
• 9. معرفی الگوریتم‌های پیشرفته MARL مانند MADDPG و QMIX برای کنترل پورتفولیو
• 10. تحلیل تأثیر کنش متقابل سرمایه‌گذاران بر نوسانات قیمت و نقدشوندگی بازار
• 11. مدل‌سازی عواطف و رفتارهای اکتشافی (Exploration) سرمایه‌گذاران در الگوریتم‌های یادگیری
• 12. پیاده‌سازی تابعی از ریسک و بازده به عنوان تابع پاداش (Reward Function) عاملهای سرمایه‌گذار
• 13. مدیریت پورتفولیو با در نظر گرفتن هزینه‌های تراکنش و اثرات بازار (Market Impact)
• 14. شبیه‌سازی سناریوهای بحران مالی و رفتار گله‌ای (Herd Behavior) سرمایه‌گذاران با MARL
• 15. تشخیص و یادگیری استراتژی‌های معاملاتی رقبا و عوامل رقیب در بازار
• 16. تلفیق مدل‌های اقتصادسنجی و یادگیری عمیق با ساختارهای MARL برای پیش‌بینی بهتر
• 17. بهینه‌سازی سبد سهام چند دارایی با استفاده از معماری‌های چندعامله هماهنگ
• 18. ارزیابی عملکرد پورتفولیوهای مبتنی بر MARL با معیارهای شارپ، سورتینو و حداکثر افت سرمایه
• 19. چالش‌های ناهمگونی اطلاعاتی و عدم قطعیت جزئی (POMDP) در رفتار سرمایه‌گذاران
• 20. پیاده‌سازی عملیاتی و کدهای پایتون برای شبیه‌سازی رفتار سرمایه‌گذاران پورتفولیو با فریمورک‌های MARL