Reinforcement Learning
ML-Paradigma: Agent lernt durch Belohnung/Bestrafung optimales Verhalten.
Im Reinforcement Learning (RL) lernt ein Agent durch Interaktion mit einer Umgebung: Aktion ausführen, Belohnung erhalten, Strategie anpassen. Klassische Algorithmen: Q-Learning, DQN, PPO, A2C.
Im Trading: Optimal Execution (Almgren-Chriss-RL), Order-Routing, Portfolio-Allocation, Market-Making. Praxis: extrem dateneffizient, oft instabil bei Marktdaten, hochgradig anfällig für Distributional Shift. Akademische Erfolge sind beeindruckend, produktive Einsätze noch selten und meist hybrid.
Hinweis: Dieser Glossar-Eintrag ist KI-gestützt entstanden. Marcel Gautsche verantwortet Inhalt und Auswahl redaktionell. Ihnen ist ein Fehler aufgefallen? Schreiben Sie an info@marcelgautsche.de.
Sie wollen das Konzept in der Praxis sehen?
Zu den interaktiven Tools