id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
6,907 | 2026-02-24T08:10:29.643000Z | 2026-02-24T08:10:29.643000Z | Lec. | J., Alhussian H | true | false | false | |
6,906 | 2026-02-24T08:10:27.803000Z | 2026-02-24T08:10:27.803000Z | Lec. | H., Abdulkadir S | true | false | false | |
6,905 | 2026-02-24T08:10:26.259000Z | 2026-02-24T08:10:26.259000Z | Lec. | Müller. — Cambridge, MA : MIT Press, 2000. — P. 1057–1063. 14 | false | false | false | |
6,904 | 2026-02-24T08:10:24.341000Z | 2026-02-24T08:10:24.341000Z | Lec. | Policy Gradient Methods for Reinforcement Learning with Function Approximation // Advances in Neural Information Processing Systems 12 (NIPS 1999) / ed. by S | false | false | false | |
6,903 | 2026-02-24T08:10:22.588000Z | 2026-02-24T08:10:22.588000Z | Lec. | S., McAllester D., Singh S., Mansour Y | false | false | false | |
6,902 | 2026-02-24T08:10:20.862000Z | 2026-02-24T08:10:20.862000Z | Lec. | A review of reinforcement learning in financial applications // [Электронный ресурс] / North Carolina State University, Amazon. — Raleigh, Seattle, 2023. — Режим доступа: https://arxiv.org/abs/2302.06622, свободный. 13 | false | true | false | |
6,901 | 2026-02-24T08:10:18.957000Z | 2026-02-24T08:10:18.957000Z | Lec. | Bai Y., Gao Y., Wan R., Zhang S., Song R | false | false | false | |
6,900 | 2026-02-24T08:10:17.182000Z | 2026-02-24T08:10:17.182000Z | Lec. | Mahadevan. — Boston : Kluwer Academic Publishers, 1993. — XII, 240 с. — ISBN 0-7923-9365-1. 12 | false | true | false | |
6,899 | 2026-02-24T08:10:15.365000Z | 2026-02-24T08:10:15.365000Z | Lec. | Robot learning / ed. by J | false | true | false | |
6,898 | 2026-02-24T08:10:13.426000Z | 2026-02-24T08:10:13.426000Z | Lec. | Reinforcement Learning: An Introduction. — 2nd ed. — Cambridge, MA: MIT Press, 2018. — 552 p. 11 | false | true | false | |
6,897 | 2026-02-24T08:10:11.695000Z | 2026-02-24T08:10:11.695000Z | Lec. | Sutton R.S., Barto A.G | false | false | false | |
6,896 | 2026-02-24T08:10:10.059000Z | 2026-02-24T08:10:10.059000Z | Lec. | Continuous Control with Deep Reinforcement Learning // Proceedings of the International Conference on Learning Representations (ICLR). — 2016. — URL: https://arxiv.org/abs/1509.02971 (дата обращения: 03.05.2025). 10 | false | true | false | |
6,895 | 2026-02-24T08:10:08.198000Z | 2026-02-24T08:10:08.198000Z | Lec. | Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., Silver D., Wierstra D | false | false | false | |
6,894 | 2026-02-24T08:10:06.466000Z | 2026-02-24T08:10:06.466000Z | Lec. | Analysis of new approaches used in portfolio optimization: a systematic literature review // Production. — 2020. — Vol. 30. — Art. e20190144. — DOI: 10.1590/0103‑6513.20190144. 9 | false | true | false | |
6,893 | 2026-02-24T08:10:04.377000Z | 2026-02-24T08:10:04.378000Z | Lec. | Milhomem D.A., Dantas M.J.P | true | false | false | |
6,892 | 2026-02-24T08:10:02.919000Z | 2026-02-24T08:10:02.919000Z | Lec. | Optimization modeling of investment portfolios using the Mean‑VaR method with target return and ARIMA‑GARCH // CAUCHY: Jurnal Matematika Murni dan Aplikasi. — 2025. — Т. 10, № 1. — С. 147–165. — p‑ISSN 2086‑0382; e‑ISSN 2477‑3344. 8 | false | true | false | |
6,891 | 2026-02-24T08:10:00.772000Z | 2026-02-24T08:10:00.772000Z | Lec. | Yasmin A.A., Riaman, Sukono | true | false | false | |
6,890 | 2026-02-24T08:09:59.201000Z | 2026-02-24T08:09:59.201000Z | Lec. | Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints // arXiv preprint arXiv:2406.00610. – 2024. – 11 p. 7 | false | true | false | |
6,889 | 2026-02-24T08:09:57.074000Z | 2026-02-24T08:09:57.074000Z | Lec. | Sharpe, “The Sharpe ratio,” The Journal of Portfolio Management, vol. 21, no. 1, pp. 49–58, Oct. 1994. doi:10.3905/jpm.1994.409501. 6 | false | true | false | |
6,888 | 2026-02-24T08:09:54.649000Z | 2026-02-24T08:09:54.649000Z | Lec. | Optimization of Conditional Value-at-Risk // The Journal of Risk. — 2000. — Т. 2, № 3. — С. 21–41. 5 | false | true | false | |
6,887 | 2026-02-24T08:09:52.657000Z | 2026-02-24T08:09:52.657000Z | Lec. | Rockafellar R.T., Uryasev S | true | false | false | |
6,886 | 2026-02-24T08:09:51.032000Z | 2026-02-24T08:09:51.032000Z | Lec. | The Intuition Behind Black-Litterman Model Portfolios // SSRN Electronic Journal. — 2002. — 27 с. — DOI: 10.2139/ssrn.334304. 4 | false | true | false | |
6,885 | 2026-02-24T08:09:49.070000Z | 2026-02-24T08:09:49.070000Z | Lec. | He, G., Litterman, R | false | false | false | |
6,884 | 2026-02-24T08:09:47.386000Z | 2026-02-24T08:09:47.387000Z | Lec. | Fabozzi F.J., Kolm P.N., Pachamanova D.A., Focardi S.M. 60 Years of portfolio optimization: Practical challenges and current trends // European Journal of Operational Research. — 2014. — Т. 234, № 2. — С. 356–371. — DOI: 10.1016/j.ejor.2013.10.060. 3 | false | false | false | |
6,883 | 2026-02-24T08:09:45.417000Z | 2026-02-24T08:09:45.417000Z | Lec. | P. 77–91. 2 | false | false | false | |
6,882 | 2026-02-24T08:09:43.630000Z | 2026-02-24T08:09:43.630000Z | Lec. | Vol. 7, No 1 | false | false | false | |
6,881 | 2026-02-24T08:09:42.058000Z | 2026-02-24T08:09:42.058000Z | Lec. | Portfolio Selection // The Journal of Finance. 1952 | false | true | false | |
6,880 | 2026-02-24T08:09:40.218000Z | 2026-02-24T08:09:40.218000Z | Lec. | Markowitz H | false | false | false | |
6,879 | 2026-02-24T08:09:38.706000Z | 2026-02-24T08:09:38.706000Z | Lec. | Полученные в работе результаты могут быть использованы для построения адаптивных инвестиционных стратегий в практических финансовых приложениях. 1 | false | true | false | |
6,878 | 2026-02-24T08:09:36.972000Z | 2026-02-24T08:09:36.972000Z | Lec. | Таким образом, можно сделать вывод, что алгоритмы глубокого обучения с подкреплением, и, в частности A2C, являются перспективным инструментом в задачах управления капитала, особенно в условиях нестабильности и высокой динамичности рынка | false | true | false | |
6,877 | 2026-02-24T08:09:35.215000Z | 2026-02-24T08:09:35.215000Z | Lec. | Особенно выражено это преимущество оказалось на криптовалютном рынке, где показатель волатильности существенно выше в сравнении с рынком акций | false | true | false | |
6,876 | 2026-02-24T08:09:33.454000Z | 2026-02-24T08:09:33.454000Z | Lec. | Результаты расчетов показали, что агент, обученный на основе алгоритма A2C, продемонстрировал более высокие значения доходности и коэффициента Шарпа на обоих рынках по сравнению с DDPG | false | true | false | |
6,875 | 2026-02-24T08:09:31.682000Z | 2026-02-24T08:09:31.682000Z | Lec. | Исследование включало формализацию задачи управления портфелем как марковского процесса принятия решений, реализацию симуляционной среды, разработку программных средств для загрузки, предобработки и обогащения финансовых данных, а также обучение и тестирование двух алгоритмов — A2C и DDPG — на исторических данных рынков акций и криптовалют | false | true | false | |
6,874 | 2026-02-24T08:09:29.876000Z | 2026-02-24T08:09:29.876000Z | Lec. | В дипломной работе была рассмотрена задача оптимизации инвестиционного портфеля с применением методов глубокого обучения с подкреплением | false | true | false | |
6,873 | 2026-02-24T08:09:28.139000Z | 2026-02-24T08:09:28.139000Z | Lec. | В рамках текущей работы агент, обученный с помощью A2C алгоритма, показал себя как более эффективный инструмент в разрезе выбранных метрик | false | true | false | |
6,872 | 2026-02-24T08:09:26.376000Z | 2026-02-24T08:09:26.376000Z | Lec. | Возможно, так же повышения качества предлагаемой стратегии можно будет достигнуть за счет усложнения архитектуры сети | false | true | false | |
6,871 | 2026-02-24T08:09:24.846000Z | 2026-02-24T08:09:24.846000Z | Lec. | Алгоритм DDPG, несмотря на теоретически потенциально высокую адаптивность, в данной реализации требует более детальной и тонкой настройки гиперпараметров | false | true | false | |
6,870 | 2026-02-24T08:09:23.079000Z | 2026-02-24T08:09:23.079000Z | Lec. | Стоит отметить преимущество этого агента именно в контексте высокой волатильности криптовалютного сегмента | false | true | false | |
6,869 | 2026-02-24T08:09:21.469000Z | 2026-02-24T08:09:21.469000Z | Lec. | Таким образом, агент использующий алгоритм A2C показывает более устойчивое поведение по всем метрикам на двух разных по структуре рынках | false | true | false | |
6,868 | 2026-02-24T08:09:19.708000Z | 2026-02-24T08:09:19.708000Z | Lec. | Таким образом, при условии схожей волатильности, стратегия алгоритма A2C обеспечивает более выгодное распределение риска, что делает стратегию более предпочтительной для инвесторов | false | true | false | |
6,867 | 2026-02-24T08:09:17.949000Z | 2026-02-24T08:09:17.949000Z | Lec. | A2C на обоих рынках показывает более высокие значения: 1.0841 в акциях и 1.4776 в криптовалютах против 0.7649 и 1.1799 у DDPG | false | true | false | |
6,866 | 2026-02-24T08:09:16.070000Z | 2026-02-24T08:09:16.070000Z | Lec. | Коэффициент Шарпа является ключевым индикатором эффективности модели, так как он учитывает соотношение доходности и риска | false | true | false | |
6,865 | 2026-02-24T08:09:14.320000Z | 2026-02-24T08:09:14.320000Z | Lec. | На обоих стратегиях волатильность у моделей примерно одинаковая: на рынке акций 13.81% (A2C) и 13.67% (DDPG), на рынке криптовалют 38.11% и 41.86% соответственно | false | true | false | |
6,864 | 2026-02-24T08:09:12.469000Z | 2026-02-24T08:09:12.469000Z | Lec. | Среднегодовое стандартное отклонение | false | true | false | |
6,863 | 2026-02-24T08:09:10.893000Z | 2026-02-24T08:09:10.893000Z | Lec. | Следовательно, в условиях повышенной волатильности криптовалютного рынка A2С склонен придерживаться более прибыльной стратегии | false | true | false | |
6,862 | 2026-02-24T08:09:09.331000Z | 2026-02-24T08:09:09.331000Z | Lec. | Различие по среднегодовой доходности в пользу алгоритма A2C сохраняется и на рынке криптовалют, 63.01% у A2C против 50% у DDPG | false | true | false | |
6,861 | 2026-02-24T08:09:07.561000Z | 2026-02-24T08:09:07.561000Z | Lec. | Можно сделать вывод, что у алгоритма A2C присутствуют более устойчивые способности к выявлению позитивных трендов и к адаптации к особенностям рынка | false | true | false | |
6,860 | 2026-02-24T08:09:06.003000Z | 2026-02-24T08:09:06.003000Z | Lec. | На рынке акций агент A2C продемонстрировал более высокую доходность – 14.98% в сравнении с 9.97% у DDPG | false | true | false | |
6,859 | 2026-02-24T08:09:04.245000Z | 2026-02-24T08:09:04.245000Z | Lec. | Средняя доходность за год | false | false | false | |
6,858 | 2026-02-24T08:09:02.763000Z | 2026-02-24T08:09:02.763000Z | Lec. | Каждая модель доказала свою работоспособность, однако результаты эффективности работы алгоритмов в разрезе ключевых метрик не идентичны, что позволяет провести их сравнительный анализ | false | true | false | |
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 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.