id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
6,857 | 2026-02-24T08:09:00.987000Z | 2026-02-24T08:09:00.987000Z | Lec. | В текущем разделе на основании таблиц 5 и 6 предыдущего раздела будет проведено сравнение алгоритмов A2C и DDPG в разрезе ключевых метрик эффективности стратегий портфельного управления, как на рынке акций, так и на рынке криптовалют | false | true | false | |
6,856 | 2026-02-24T08:08:58.996000Z | 2026-02-24T08:08:58.996000Z | Lec. | Анализ полученных метрик приведен в следующем разделе | false | true | false | |
6,855 | 2026-02-24T08:08:56.894000Z | 2026-02-24T08:08:56.894000Z | Lec. | Рис.7 Cтоимость портфеля криптовалют, DDPG | false | false | false | |
6,854 | 2026-02-24T08:08:55.257000Z | 2026-02-24T08:08:55.257000Z | Lec. | Рис.6 Стоимость портфеля криптовалют, A2C | false | false | false | |
6,853 | 2026-02-24T08:08:53.682000Z | 2026-02-24T08:08:53.682000Z | Lec. | Рис.5 Стоимость портфеля акций, DDPG | false | false | false | |
6,852 | 2026-02-24T08:08:51.756000Z | 2026-02-24T08:08:51.756000Z | Lec. | Рис.4 Стоимость портфеля акций, A2C | false | false | false | |
6,851 | 2026-02-24T08:08:50.050000Z | 2026-02-24T08:08:50.050000Z | Lec. | По оси Y указана стоимость портфеля в $, по оси X время в днях | false | true | false | |
6,850 | 2026-02-24T08:08:48.351000Z | 2026-02-24T08:08:48.351000Z | Lec. | Ниже приведены графики зависимости стоимости портфеля | false | true | false | |
6,849 | 2026-02-24T08:08:46.100000Z | 2026-02-24T08:08:46.100000Z | Lec. | Метрики качества портфелей на рынке криптовалют | false | true | false | |
6,848 | 2026-02-24T08:08:44.439000Z | 2026-02-24T08:08:44.439000Z | Lec. | DDPG. 50.00. 41.86. 1.1799. 33750.0 | false | false | false | |
6,847 | 2026-02-24T08:08:42.914000Z | 2026-02-24T08:08:42.914000Z | Lec. | A2C. 63.01. 38.11. 1.4776. 39858.4 | false | false | false | |
6,846 | 2026-02-24T08:08:41.303000Z | 2026-02-24T08:08:41.303000Z | Lec. | Метрики качества портфелей на рынке акций | false | true | false | |
6,845 | 2026-02-24T08:08:39.528000Z | 2026-02-24T08:08:39.528000Z | Lec. | DDPG. 9.97. 13.67. 0.7649. 18140.1 | false | false | false | |
6,844 | 2026-02-24T08:08:38.004000Z | 2026-02-24T08:08:38.004000Z | Lec. | A2C. 14.98. 13.81. 1.0841. 19830.6 | false | false | false | |
6,843 | 2026-02-24T08:08:36.577000Z | 2026-02-24T08:08:36.577000Z | Lec. | Финальная стоимость портфеля, $ | false | true | false | |
6,842 | 2026-02-24T08:08:34.968000Z | 2026-02-24T08:08:34.968000Z | Lec. | Коэффициент Шарпа | false | false | false | |
6,841 | 2026-02-24T08:08:33.531000Z | 2026-02-24T08:08:33.531000Z | Lec. | Среднее отклонение, % | false | true | false | |
6,840 | 2026-02-24T08:08:31.863000Z | 2026-02-24T08:08:31.863000Z | Lec. | Средняя доходность за год, % | false | false | false | |
6,839 | 2026-02-24T08:08:30.330000Z | 2026-02-24T08:08:30.330000Z | Lec. | В таблицах 5 и 6 представлены данные о метриках, позволяющих оценить эффективность моделей | false | true | false | |
6,838 | 2026-02-24T08:08:28.756000Z | 2026-02-24T08:08:28.756000Z | Lec. | Распределение весов активов криптовалют, бэктестинг | false | true | false | |
6,837 | 2026-02-24T08:08:26.997000Z | 2026-02-24T08:08:26.997000Z | Lec. | DDPG. 13.48. 19.67. 17.41. 8.92. 27.45. 13.07 | false | false | false | |
6,836 | 2026-02-24T08:08:25.434000Z | 2026-02-24T08:08:25.434000Z | Lec. | A2C. 18.44. 15.49. 16.26. 19.57. 14.99. 15.25 | false | false | false | |
6,835 | 2026-02-24T08:08:23.541000Z | 2026-02-24T08:08:23.541000Z | Lec. | Распределение весов активов акций, бэктестинг. ticker | false | false | false | |
6,834 | 2026-02-24T08:08:21.780000Z | 2026-02-24T08:08:21.780000Z | Lec. | DDPG. 21.32. 8.57. 17.01. 11.23. 25.89. 15.98 | false | false | false | |
6,833 | 2026-02-24T08:08:20.070000Z | 2026-02-24T08:08:20.070000Z | Lec. | A2C. 18.68. 16.13. 15.61. 13.36. 17.22. 19.00 | false | false | false | |
6,832 | 2026-02-24T08:08:18.176000Z | 2026-02-24T08:08:18.177000Z | Lec. | Итоговое распределение весов активов акций и криптовалют в % во время бэктестинга на последний день приведено в таблицах 3 и 4 соответственно. ticker | false | true | false | |
6,831 | 2026-02-24T08:08:16.234000Z | 2026-02-24T08:08:16.234000Z | Lec. | При моделировании агенту было доступно $15000 | false | true | false | |
6,830 | 2026-02-24T08:08:14.787000Z | 2026-02-24T08:08:14.787000Z | Lec. | Период для бэктестинга c 1 января 2023 по 1 января 2025 года | false | true | false | |
6,829 | 2026-02-24T08:08:13.249000Z | 2026-02-24T08:08:13.249000Z | Lec. | Период для обучения моделей A2C, DDPG с 1 января 2018 года по 1 января 2023 года | false | false | false | |
6,828 | 2026-02-24T08:08:11.034000Z | 2026-02-24T08:08:11.034000Z | Lec. | Этот подход позволяет получить ценную информацию о поведении агента в реальных рыночных условиях | false | true | false | |
6,827 | 2026-02-24T08:08:09.307000Z | 2026-02-24T08:08:09.307000Z | Lec. | Для оценки качества полученной стратегии был использован метод бэктестинга, заключающийся в проверке работы модели на исторических данных | false | true | false | |
6,826 | 2026-02-24T08:08:07.351000Z | 2026-02-24T08:08:07.351000Z | Lec. | Агент использует эти наблюдения для принятия решений по перераспределению активов в портфеле, принимая во внимание изменения рыночной ситуации, описываемой признаками | false | true | false | |
6,825 | 2026-02-24T08:08:05.706000Z | 2026-02-24T08:08:05.706000Z | Lec. | Наблюдаемое пространство задается тензором. - количество активов. – число признаков. - временной интервал, 7 лет с 2018 по 2025 год | false | false | false | |
6,824 | 2026-02-24T08:08:03.201000Z | 2026-02-24T08:08:03.201000Z | Lec. | При обучении агентов, пространство действий задавалось как вектор распределения долей активов в портфеле в конкретный момент времени:. – вес -ого актива в момент времени. - суммарное количество активов в портфеле | false | true | false | |
6,823 | 2026-02-24T08:08:01.448000Z | 2026-02-24T08:08:01.448000Z | Lec. | Это делает выборку репрезентативной, что позволит моделям обучится на широком спектре рыночных сценариев | false | true | false | |
6,822 | 2026-02-24T08:07:59.752000Z | 2026-02-24T08:07:59.752000Z | Lec. | А именно, этот период включает в себя кризис, вызванный пандемией COVID-19 в 2020 году, мировую инфляционную нестабильность, вызванную мерами стимулирования после эпидемии COVID-19, [19] отскок и новый виток роста криптовалютного рынка в 2020-2021 годах [20] | false | true | false | |
6,821 | 2026-02-24T08:07:57.869000Z | 2026-02-24T08:07:57.869000Z | Lec. | Этот семилетний период охватывает как моменты устойчивого роста на финансовых рынках, так и периоды резких кризисных изменений | false | true | false | |
6,820 | 2026-02-24T08:07:56.100000Z | 2026-02-24T08:07:56.100000Z | Lec. | Данные в исследовании взяты за последние 7 лет с 1 января 2018 года по 1 января 2025 года | false | true | false | |
6,819 | 2026-02-24T08:07:54.226000Z | 2026-02-24T08:07:54.226000Z | Lec. | Название криптовалют для формирования портфеля на криптовалютном рынке | false | true | false | |
6,818 | 2026-02-24T08:07:52.685000Z | 2026-02-24T08:07:52.685000Z | Lec. | Monero — приватная криптовалюта с высокой анонимностью транзакций | false | true | false | |
6,817 | 2026-02-24T08:07:50.974000Z | 2026-02-24T08:07:50.974000Z | Lec. | Dash — ориентирована на конфиденциальные и быстрые платежи | false | true | false | |
6,816 | 2026-02-24T08:07:49.252000Z | 2026-02-24T08:07:49.252000Z | Lec. | Litecoin — альтернатива биткойну с более быстрым временем блока | false | true | false | |
6,815 | 2026-02-24T08:07:47.696000Z | 2026-02-24T08:07:47.696000Z | Lec. | Ripple — криптовалюта, ориентированная на международные банковские переводы | false | true | false | |
6,814 | 2026-02-24T08:07:45.931000Z | 2026-02-24T08:07:45.931000Z | Lec. | Эфириум — платформа для смарт-контрактов и децентрализованных приложений | false | true | false | |
6,813 | 2026-02-24T08:07:44.221000Z | 2026-02-24T08:07:44.221000Z | Lec. | Биткойн — первая и крупнейшая криптовалюта, цифровое золото | false | true | false | |
6,812 | 2026-02-24T08:07:42.324000Z | 2026-02-24T08:07:42.324000Z | Lec. | Название и описание | false | true | false | |
6,811 | 2026-02-24T08:07:40.757000Z | 2026-02-24T08:07:40.757000Z | Lec. | Описание тикеров представлено в таблице 2. ticker | false | true | false | |
6,810 | 2026-02-24T08:07:39.222000Z | 2026-02-24T08:07:39.222000Z | Lec. | Для формирования портфеля на рынке криптовалют было выбрано 6 видов криптовалюты с наибольшей популярностью | false | true | false | |
6,809 | 2026-02-24T08:07:37.699000Z | 2026-02-24T08:07:37.699000Z | Lec. | Название компаний для формирования портфеля из акций | false | true | false | |
6,808 | 2026-02-24T08:07:36.086000Z | 2026-02-24T08:07:36.086000Z | Lec. | Здравоохранение (UnitedHealth Group Incorporated) | false | true | false | |
6,807 | 2026-02-24T08:07:34.339000Z | 2026-02-24T08:07:34.340000Z | Lec. | Финансовый сектор (American Express Company) | false | true | false | |
6,806 | 2026-02-24T08:07:32.497000Z | 2026-02-24T08:07:32.497000Z | Lec. | Аэрокосмическая промышленность (The Boeing Company) | false | true | false | |
6,805 | 2026-02-24T08:07:30.842000Z | 2026-02-24T08:07:30.842000Z | Lec. | Финансовый сектор (Bank of America Corporation) | false | true | false | |
6,804 | 2026-02-24T08:07:29.133000Z | 2026-02-24T08:07:29.133000Z | Lec. | Развлечения (The Walt Disney Company) | false | true | false | |
6,803 | 2026-02-24T08:07:27.453000Z | 2026-02-24T08:07:27.453000Z | Lec. | Потребительские товары (Procter & Gamble Co.) | false | true | false | |
6,802 | 2026-02-24T08:07:25.608000Z | 2026-02-24T08:07:25.608000Z | Lec. | Сектор экономики | false | true | false | |
6,801 | 2026-02-24T08:07:24.007000Z | 2026-02-24T08:07:24.007000Z | Lec. | Данные о названиях выбранных компаний представлены в таблице 1. ticker | false | true | false | |
6,800 | 2026-02-24T08:07:22.549000Z | 2026-02-24T08:07:22.549000Z | Lec. | Для рынка акций были выбраны котировки крупных компаний США из различных секторов экономики для формирования диверсифицированного портфеля | false | true | false | |
6,799 | 2026-02-24T08:07:20.780000Z | 2026-02-24T08:07:20.780000Z | Lec. | В исследовании предполагается определить эффективность работы алгоритмов A2C и DDPG в разных рыночных условиях, а именно на рынке акций и на рынке криптовалют | false | true | false | |
6,798 | 2026-02-24T08:07:18.939000Z | 2026-02-24T08:07:18.939000Z | Lec. | В текущей главе будут рассмотрен процесс обучения агентов и анализ полученных результатов | false | true | false | |
6,797 | 2026-02-24T08:07:17.170000Z | 2026-02-24T08:07:17.170000Z | Lec. | Для расчета метрик и визуализации полученных результатов был разработан класс ResultsInfo, который включается в себя следующие методы:. portfolio_value_graph() – скрипт, визуализирующий график зависимости стоимости портфеля от времени. compute_metrics() – функция для расчета метрик оценки качества портфеля, включая год... | false | false | false | |
6,796 | 2026-02-24T08:07:14.802000Z | 2026-02-24T08:07:14.802000Z | Lec. | Обучение агентов происходило в разработанной среде PortfolioEnv, реализованной на основе API Gymnasium | false | true | false | |
6,795 | 2026-02-24T08:07:13.024000Z | 2026-02-24T08:07:13.024000Z | Lec. | Для реализации алгоритмов обучения с подкреплением использовалась библиотека Stable-Baselines3, основанная на PyTorch | false | true | false | |
6,794 | 2026-02-24T08:07:11.378000Z | 2026-02-24T08:07:11.378000Z | Lec. | Каждый из этих методов обеспечивает полное взаимодействие агента со средой: формирование наблюдений, обработку действий, расчет вознаграждения и переход к следующему состоянию | false | true | false | |
6,793 | 2026-02-24T08:07:09.821000Z | 2026-02-24T08:07:09.821000Z | Lec. | Извлекает нормализованные цены активов и вектор технических признаков и объединяет два вектора в один. step() – описывает основной шаг агента со средой, а именно рассчитывает относительный прирост портфеля на основе текущих и последующих в окне цен, обновляет историю доходностей, сохраняет полученный прирост, вычисляет... | false | true | false | |
6,792 | 2026-02-24T08:07:07.587000Z | 2026-02-24T08:07:07.587000Z | Lec. | Класс со средой обучения PortfolioEnv включает в себя следующие методы:. reset() – инициализирует новый эпизод во время обучения. _get_observation() – формирует состояние среды на текущей итерации | false | true | false | |
6,791 | 2026-02-24T08:07:05.824000Z | 2026-02-24T08:07:05.824000Z | Lec. | Это помогает ускорить и улучшить процесс обучения | false | true | false | |
6,790 | 2026-02-24T08:07:04.241000Z | 2026-02-24T08:07:04.241000Z | Lec. | Благодаря этому агент видит не только цену актива, а целый набор осмысленных сигналов о рынке | false | true | false | |
6,789 | 2026-02-24T08:07:02.516000Z | 2026-02-24T08:07:02.516000Z | Lec. | Указанные выше индикаторы формируют множество признаков, которые будут подаваться как параметры, характеризующую среду, во время обучения агента | false | true | false | |
6,788 | 2026-02-24T08:07:00.916000Z | 2026-02-24T08:07:00.916000Z | Lec. | Нормализация ускоряет и стабилизирует обучение агентов и происходит по следующей формуле:. – среднее (mean). – стандартное отклонение. compute_features – функция для обогащения данных с расчетом дополнительных признаков: логарифмическая доходность, индикатор RSI (Relative Strength Index), скользящие средние SMA (Si... | false | false | false | |
6,787 | 2026-02-24T08:06:58.954000Z | 2026-02-24T08:06:58.954000Z | Lec. | Цены активов могут серьезно отличаться по порядку величины: акции крупных компаний торгуются по стоимости в сотни долларов, а криптовалюты зачастую могут иметь пики цен в тысячах, и десятках тысяч в сравнении с средним значением | false | true | false | |
6,786 | 2026-02-24T08:06:57.167000Z | 2026-02-24T08:06:57.167000Z | Lec. | Сырые данные могут быть с привязкой к различным часовым поясам, что может вызвать несовпадение временных меток при объединении нескольких источников. price_scaler – функция для масштабирования цен активов | false | true | false | |
6,785 | 2026-02-24T08:06:55.464000Z | 2026-02-24T08:06:55.464000Z | Lec. | Этот класс в себя следующие методы:. drop_nulls – удаление неполных данных и пропусков. safety_remove_timezone – функция для унификации индекса времени | false | true | false | |
6,784 | 2026-02-24T08:06:53.794000Z | 2026-02-24T08:06:53.794000Z | Lec. | Для предобработки реализован класс DataPreparation | false | true | false | |
6,783 | 2026-02-24T08:06:52.268000Z | 2026-02-24T08:06:52.268000Z | Lec. | Для обучения торговых агентов важно правильно предобработать данные, так как от качества данных напрямую зависит качество работы торгового агента, обученного на основе алгоритмов глубокого машинного обучения | false | true | false | |
6,782 | 2026-02-24T08:06:50.489000Z | 2026-02-24T08:06:50.489000Z | Lec. | Результат выполнения метода fetch() переменная типа DataFrame с временными рядами цен в момент закрытия торгов | false | true | false | |
6,781 | 2026-02-24T08:06:48.822000Z | 2026-02-24T08:06:48.822000Z | Lec. | Важной особенностью класса CryptoDataCollector в отличии класса StockDataCollector является то, что из-за ограничения API происходит автоматическое разбиение запроса данных на периоды по 2000 дней с последующем объединением результатов запросов | false | true | false | |
6,780 | 2026-02-24T08:06:47.169000Z | 2026-02-24T08:06:47.169000Z | Lec. | Таким образом, при повторном вызове метода fetch() данные считываются из кэша, а не загружаются повторно | false | true | false | |
6,779 | 2026-02-24T08:06:45.615000Z | 2026-02-24T08:06:45.615000Z | Lec. | Для вызова метода необходимо передать три параметра: список с наименованиями тикеров, дата начала и дата конца, рассматриваемого периода | false | true | false | |
6,778 | 2026-02-24T08:06:44.051000Z | 2026-02-24T08:06:44.051000Z | Lec. | При первичном использовании метода fetch() в обоих классах происходит загрузка данных с последующим сохранением в локальный кэш | false | true | false | |
6,777 | 2026-02-24T08:06:42.008000Z | 2026-02-24T08:06:42.008000Z | Lec. | Класс CryptoDataCollector отвечает за загрузку цен акций по указанным тикерам c помощью API CryptoCompare | false | true | false | |
6,776 | 2026-02-24T08:06:40.467000Z | 2026-02-24T08:06:40.467000Z | Lec. | Класс StockDataCollector отвечает за загрузку цен акций по указанным тикерам через библиотеку yfinance | false | true | false | |
6,775 | 2026-02-24T08:06:38.920000Z | 2026-02-24T08:06:38.920000Z | Lec. | Эта система состоит из двух классов: | false | true | false | |
6,774 | 2026-02-24T08:06:37.345000Z | 2026-02-24T08:06:37.345000Z | Lec. | Для формирования портфеля на различных рынках была реализована система сбора данных | false | true | false | |
6,773 | 2026-02-24T08:06:35.501000Z | 2026-02-24T08:06:35.501000Z | Lec. | Это позволило получить структурированный код, разбитый на независимые модули с возможностью его дальнейшего расширения | false | true | false | |
6,772 | 2026-02-24T08:06:33.747000Z | 2026-02-24T08:06:33.747000Z | Lec. | При написании кода была учтена парадигма объектно-ориентированного программирования (ООП) | false | true | false | |
6,771 | 2026-02-24T08:06:32.082000Z | 2026-02-24T08:06:32.082000Z | Lec. | Разработка программного кода проводилась в среде Google Colaboratory, которая представляет собой облачную инфраструктуру для разработки и выполнения Python-кода | false | true | false | |
6,770 | 2026-02-24T08:06:30.324000Z | 2026-02-24T08:06:30.324000Z | Lec. | Для реализации поставленной в предыдущей главе задачи по оптимизации инвестиционного портфеля на языке программирования Python версии 3.11.12 был реализован соответствующий функционал, описание и тестирование которого будет приведено в текущей главе | false | true | false | |
6,769 | 2026-02-24T08:06:27.494000Z | 2026-02-24T08:06:27.494000Z | Lec. | Рис. 3 Псевдокод алгоритма DDPG | false | true | false | |
6,768 | 2026-02-24T08:06:25.692000Z | 2026-02-24T08:06:25.692000Z | Lec. | При это соответствует прямому копированию | false | true | false | |
6,767 | 2026-02-24T08:06:24.202000Z | 2026-02-24T08:06:24.202000Z | Lec. | Функция потерь актора задают как:. в DDPG применяются таргетные сети критика и актора с параметрами и которые обновляются выполняется «мягко» [15] (soft update) по правилу:. ,. где (типично ) | false | true | false | |
6,766 | 2026-02-24T08:06:22.570000Z | 2026-02-24T08:06:22.570000Z | Lec. | Актор задает детерминированную политику , отображающую состояние в действие | false | true | false | |
6,765 | 2026-02-24T08:06:20.846000Z | 2026-02-24T08:06:20.846000Z | Lec. | Функцию потерь модели критика вводят как среднеквадратичную ошибку по мини-батчу N и минимизируют по параметрам :. (16). – текущая оценка критика. – целевое значение | false | true | false | |
6,764 | 2026-02-24T08:06:19.265000Z | 2026-02-24T08:06:19.265000Z | Lec. | Мини-батч в контексте алгоритма DDPG это подмножество из N случайно выбранных переходов, т. е. кортежей вида из буфера повторения опыта (replay buffer), где. — состояние в момент времени t,. — действие, выбранное агентом,. — награда, полученная после действия,. — следующее состояние | false | true | false | |
6,763 | 2026-02-24T08:06:17.232000Z | 2026-02-24T08:06:17.232000Z | Lec. | Целевое значение функции ценности действия определяется как:. (15). – параметры cетей таргет-критика и таргет-актора | false | true | false | |
6,762 | 2026-02-24T08:06:15.694000Z | 2026-02-24T08:06:15.694000Z | Lec. | В методе DDQG значение функции приближается таргет-сетями | false | true | false | |
6,761 | 2026-02-24T08:06:14.068000Z | 2026-02-24T08:06:14.068000Z | Lec. | Для модели критика в DDPG используется уравнение Беллмана для формирования детерминированной политики:. (14). — оценка ценности действия в состоянии ;. — вознаграждение, полученное на шаге ;. — коэффициент дисконтирования будущих наград;. — следующее состояние после выполнения действия;. — стратегия, определяющая сле... | false | true | false | |
6,760 | 2026-02-24T08:06:11.984000Z | 2026-02-24T08:06:11.984000Z | Lec. | Общая цель агента аналогично разделу 2.2 максимизировать уравнение (4) | false | true | false | |
6,759 | 2026-02-24T08:06:10.261000Z | 2026-02-24T08:06:10.261000Z | Lec. | Это увеличивает sample efficiency (выборочную эффективность) по сравнению с on-policy методами | false | true | false | |
6,758 | 2026-02-24T08:06:08.528000Z | 2026-02-24T08:06:08.528000Z | Lec. | Отличие заключается в том, что рассматриваемый алгоритм использует off-policy обучение, что позволяет повторно использовать прошедший опыт, хранящийся в буфере обмена | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.