最新《经济学中的强化学习》2020大综述，42页pdf128篇文献
深度强化学习(deep reinforcement learning, DRL)方法在经济学中的普及度呈指数级增长。DRL通过从增强学习(RL)到深度学习(DL)的广泛功能，为处理复杂的动态业务环境提供了巨大的机会。DRL的特点是可扩展性，有可能应用于高维问题，并结合经济数据的噪声和非线性模式。本文首先对DL、RL和深度RL方法在经济学中不同应用的简要回顾，提供了对现有技术的深入了解。此外，为了突出DRL的复杂性、鲁棒性、准确性、性能、计算任务、风险约束和盈利能力，还研究了DRL在经济应用中的体系结构。调查结果表明，与传统算法相比，DRL在面临风险参数和不确定性不断增加的现实经济问题时，可以提供更好的性能和更高的精度。
https://arxiv.org/abs/2004.01509
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“RLE” 就可以获取《最新《经济学中的强化学习》2020大综述，42页pdf128篇文献》专知下载链接
登录查看更多
相关内容
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员