㈠ 机器学习买股票——强化学习入门
强化学习，以其在alpha-go等领域的出色表现，引起了广泛关注。它不仅在游戏和机器人控制中展现出强大能力，也引发了投资领域的新探索。本文通过一个实际案例探讨了强化学习如何应用于股票交易，特别是通过控制限价单价格以最小化买入成本。
强化学习的结构核心是学习环境状态与行动之间的关系，目标是最大化累计奖励。以买入股票为例，系统接收剩余订单量和时间作为输入，输出最佳限价单价格。每一步执行后，系统根据反馈调整策略，直至任务完成，成本最低。
强化学习的学习机制，如动态规划，通过模拟未来的状态和可能的反馈，逐步优化决策。在这个股票交易问题中，通过计算损失函数并更新最优动作，强化学习系统能在限定时间内以最低成本购得股票。
强化学习不仅仅是一种理论框架，而是提供了一种通过损失函数调整行为的工具。通过不同的更新方法，如动态规划，投资者可以灵活应用强化学习进行股票交易策略的优化。