Portfolio - Optimizer Latest Release Build Status Coverage 该项目在中被使用。 TODO lists Potfolio - optimizer由于有大量的c++代码，造成其使用困难。对于依赖的库而言（例如：alpha-mind)，也是使得被依赖库难以使用。所以Portfolio - Optimizer将有一次重大的重构，包括： 提供完整的python接口； 作为标准的python包在pypi上发布； 增加多期优化的能力。 安装 PYPI $ pip install portfolio-optimizer Source $ python setup.py install

清晰，可复制文字，学理论，写论文很有帮助！ 清晰，可复制文字，学理论，写论文很有帮助！ 清晰，可复制文字，学理论，写论文很有帮助！ 清晰，可复制文字，学理论，写论文很有帮助！ 清晰，可复制文字，学理论，写论文很有帮助！

GridWorld（计划和强化学习） 包含用于规划的算法：策略迭代和价值迭代。 还包含强化学习算法：蒙特卡洛学习，Sarsa（lambda）和Q学习。 在GridWorld问题的上下文中使用这些方法，在该问题中，代理的目标是找到到达终端状态的最快路径。 game.py文件包含Grid World环境。 可以运行其他文件来执行强化学习或计划（取决于所选文件）。

为了解决线性规划问题中减少约束条件的灵敏度分析问题,采用理论和实证分析的方法,提出了一种新的减少约束条件的灵敏度分析的最优方案获得方法,分别讨论了含有辅助变量与不含辅助变量时减少约束条件求得最优解的方法。研究结果表明:此方法简单实用且具有实际应用价值,在解决实际问题时更加简捷有效。

线性规划模型在Lingo上运行，灵敏度分析解析

自己制作的UQLab工具箱简介及安装方法。

介绍了CVaR的概念及算法，并利用CVaR对风险进行度量，提出一个新的基于CVaR风险度量方法的投资组合优化模型。利用股票数据进行了实证分析，验证了模型的有效性。

在集成机器学习中，我们结合专家的决策来得出比单个决策更好的决策。 组合这些决策的过程可以像多数投票或简单平均一样简单，也可以更复杂，涉及多个步骤。 在本文中，我们考虑将集成机器学习应用于根据多个专家的个人决策构建投资组合的问题。 我们将比较通过简单平均和新颖的多级决策算法构建的投资组合的性能。 这种新算法从单个投资组合中的股票子集构建投资组合。 与这些单独的投资组合和通过简单平均构建的投资组合相比，通过所提出的方法构建的投资组合可能会导致更高的年化回报和适度的波动性增加。 我们对新方法的可行性进行了广泛的数值比较。

实用马尔可夫决策过程 对于智能规划的学习有很大的帮助

推广策略迭代GPI(略) 推广策略迭代GPI（Generalized Policy Iteration） 特点 V*，* V0，0 V的计算 的选取 * V(S)和策略同时迭代