导读:本文包含了构造性机器学习论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:资产,表达式,原子,路径,深度,对象,机器。
构造性机器学习论文文献综述
王文星[1]（2019）在《基于机器学习方法的资产价格路径构造和资产配置的应用探究》一文中研究指出深度学习和强化学习是机器学习的两大类模型,被应用到社会的各个领域。在金融领域内,资产价格路径的模拟对某些路径依赖的期权定价来说意义重大,而资产配置则是近年来发展迅猛的新兴投资方式。本文基于深度学习中的生成对抗网络(GAN)模型和强化学习中的深度强化学习算法分别实现了构造标的资产价格路径的模拟和动态配置资产的资产配置策略。一方面,利用GAN变体构造新的混合模型(CWGAN-GP和ALI-CWGAN-GP)来对资产价格路径的分布进行拟合,并通过采样的方式构造样本路径,以此实现对资产价格路径的构造。通过在沪深300指数期货上的实证,结果表明了混合模型构造的路径无论是在采样速度上、路径收益率外在特征表现上还是在生成路径和真实路径的JS散度度量上都显着优于基于几何布朗运动和跳跃扩散模型的蒙特卡洛实现方法。另一方面,基于深度强化学习中的多种算法,分别训练智能体来动态给出两种资产的最优的配置方案,实证结果表明深度强化学习实现的资产配置,在收益上比基准策略(“买入持有”)和简单策略(布林通道)好很多,算法各有优缺点,适用的情景不同,投资风格也有所不同。此外,采用了上述CWGAN-GP模型生成了多条训练集路径作为强化学习学习的样本,将之运用到DQN、DDPG两种算法的训练上,得到了强于不加生成路径的结果。本文说明了构造的两种GAN混合模型可以作为一种构造资产价格路径的方式,且采样的价格路径质量不劣于蒙特卡洛采样的路径,这种构造价格路径的方法在金融领域的数据生成和资产价格路径构造上存在一定的理论和实际应用价值;而基于历史经验的学习从而得到自动配置资产的能力的深度强化学习算法对于资产配置的实现在实践上有很大指导意义。(本文来源于《山东大学》期刊2019-05-20）
陈钢,毕华[2]（1988）在《一种在机器学习中构造S表达式推广算法的工具》一文中研究指出机器学习中一项重要的工作是对推广(也称抽象)的研究,因为它是归纳和类比过程的基础。本文引进一种描述手段,它可以描述为表达式的集合,并对之进行删除和替换等操作,从而实现推广算法。这个工具也可用于其他场合,例如构造编辑器等。(本文来源于《计算机工程》期刊1988年06期）
构造性机器学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
机器学习中一项重要的工作是对推广(也称抽象)的研究,因为它是归纳和类比过程的基础。本文引进一种描述手段,它可以描述为表达式的集合,并对之进行删除和替换等操作,从而实现推广算法。这个工具也可用于其他场合,例如构造编辑器等。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
构造性机器学习论文参考文献
[1].王文星.基于机器学习方法的资产价格路径构造和资产配置的应用探究[D].山东大学.2019
[2].陈钢,毕华.一种在机器学习中构造S表达式推广算法的工具[J].计算机工程.1988
论文知识图
