统计学基础 | 机器学习，神经网络，深度学习，强化学习
文章概要：
1. 人工智能是广泛的概念，旨在构建能够模拟人类智能行为的计算机系统。机器学习是实现人工智能的一种方法，是人工智能的核心技术之一。
2 机器学习包括监督学习和无监督学习。神经网络是机器学习的一种方法，它模拟网络进行计算。深度学习是的神经网络，它人脑的工作方式，通过多层的神经网络来学习和理解数据的模式。br>3. 卷积神经网络是一种广泛用于计算机视觉任务的神经网络类型。神经网络一种深度学习模型，用于处理序列数据。强化学习是一个通过让一个智能与环境交互并优化其行为以最大化一个预定的奖励的机器学习方法。
阅读原文
2 机器学习包括监督学习和无监督学习。神经网络是机器学习的一种方法，它模拟网络进行计算。深度学习是的神经网络，它人脑的工作方式，通过多层的神经网络来学习和理解数据的模式。br>3. 卷积神经网络是一种广泛用于计算机视觉任务的神经网络类型。神经网络一种深度学习模型，用于处理序列数据。强化学习是一个通过让一个智能与环境交互并优化其行为以最大化一个预定的奖励的机器学习方法。
深度强化学习应对加密货币交易过拟合
文章概要：
. 引言：在加密货币市场中，设计盈利且可靠的交易策略至关重要，现有研究可能受到回测过拟合问题的影响。
2. 相关工作：现有研究可分为三类，向前看方法在单一市场情况下进行验证，容易导致过拟合。K折交叉验证方法假设训练和验证集来自独立同分布（IID）过程，这在金融市场中不成立。DRL算法对超参数非常敏感，导致DRL算法的性能变化很大。
3. 使用深度强化学习的加密货币：本章节详细介绍了如何将加密货币交易任务建模为马尔可夫决策过程（MDP），并构建了市场环境，以及训练交易代理的一般设置。
4. 解决回测过拟合的实用方法：第四章详细阐述了作者提出的解决加密货币交易中深度强化学习（DRL）模型回测过拟合问题的具体方法。该方法的核心在于通过假设检验来识别并拒绝过拟合的代理模型，从而提高模型在实际交易中的泛化能力。
5. 性能评估：本章节旨在验证所提出的解决回测过拟合问题的方法是否能够提高交易代理在实际市场中的表现。研究者通过对比不同深度强化学习（DRL）代理的策略，评估了它们在历史数据上的表现，并与市场基准进行了比较。
阅读原文
2. 相关工作：现有研究可分为三类，向前看方法在单一市场情况下进行验证，容易导致过拟合。K折交叉验证方法假设训练和验证集来自独立同分布（IID）过程，这在金融市场中不成立。DRL算法对超参数非常敏感，导致DRL算法的性能变化很大。
3. 使用深度强化学习的加密货币：本章节详细介绍了如何将加密货币交易任务建模为马尔可夫决策过程（MDP），并构建了市场环境，以及训练交易代理的一般设置。
4. 解决回测过拟合的实用方法：第四章详细阐述了作者提出的解决加密货币交易中深度强化学习（DRL）模型回测过拟合问题的具体方法。该方法的核心在于通过假设检验来识别并拒绝过拟合的代理模型，从而提高模型在实际交易中的泛化能力。
5. 性能评估：本章节旨在验证所提出的解决回测过拟合问题的方法是否能够提高交易代理在实际市场中的表现。研究者通过对比不同深度强化学习（DRL）代理的策略，评估了它们在历史数据上的表现，并与市场基准进行了比较。