Résumé:
"Ce mémoire vise à explorer l'application de l'apprentissage par renforcement profond (DRL)
aux stratégies de trading algorithmique. Les principaux objectifs sont :
Comprendre les Fondamentaux dans :
Chapitre 1 : Apprentissage par Renforcement (RL),Concepts clés : agents,
environnements, actions, états, récompenses,Politiques, fonctions de valeur, fonctions
de valeur Q,Le défis dilemme exploration-exploitation, convergence des algorithmes.
Chapitre 2 : Apprentissage Profond (Deep Learning) Réseaux de neurones artificiels :
couches, fonctions d'activation, propagation avant et arrière.Réseaux de Neurones
Convolutionnels (CNN) : reconnaissance d'images, traitement des données
spatiales.Techniques d'entraînement : optimisation par descente de gradient.
Analyser les Algorithmes de DRL dans le Chapitre 3 : Apprentissage par Renforcement
Profond (DRL)
DQN : Utilisation des réseaux de neurones pour approximer la fonction de valeur Q.
Double DQN : Réduction de la surestimation des valeurs Q.
Dueling DQN : Séparation de la valeur d'un état et de l'avantage des actions.
Implémentation dans Chapitre 4 : Application du DRL au Marché Boursier
Développement de stratégies de trading algorithmique adaptées aux conditions de marché
changeantes. par les étapes :
Préparation des données : collecte, nettoyage, prétraitement des données de marché
historiques.
Modélisation de l'environnement de trading : définition des états, actions,
récompenses.
Implémentation des algorithmes DRL : développement et entraînement des modèles
DQN, Double DQN, Dueling DQN.
Évaluation et optimisation : test des stratégies, ajustement des hyperparamètres,
évaluation des performances.
Le mémoire vise à améliorer les pratiques de trading algorithmique en minimisant les risques
et maximisant les profits grâce aux capacités de l'IA et du DRL. Il fournit une compréhension
détaillée des concepts et techniques, des exemples d'implémentation, et des études de cas
pratiques, ouvrant la voie à des systèmes de trading plus intelligents et efficaces"
