梦幻机器学习：用于强化的Lipschitz扩展

专家系统与应用，（2006）1；30(3):543-552.做梦机器学习23【17】Deng，Y.，Bao，F.，Kong，Y.，Ren，Z.，和Dai，Q.，金融信号表示和交易的深度直接强化学习。神经网络和学习系统IEEE交易。15;28(3) (2016):653-664.[18] Dong，M.，Yang，X.，Wu，Y.，和Xue J.H.，通过最大化LipschitzMargin比率进行度量学习。arXiv预印本arXiv:1802.03464。2018年2月9日。[19] Driessens，K.、Ramon，J.和G¨artner，T.，《关系强化学习的图核和高斯过程》，机器学习64（2006）：91-119。[20] Du，X.，Zha，i J.，和Lv，K.，使用q-学习和循环强化学习的算法交易。位置。斯坦福CS229，n.d.网站。2016年12月15日。1:1.[21]Dunis，C.L.、Rosillo，R.、de la Fuente，D.和Pino，R.使用支持向量机预测IBEX-35的移动。神经计算与应用，1；23(1) (2013):229-236.[22]Fischer，T.，和Christopher K.，金融市场预测的长-短期记忆网络深度学习。《欧洲运营研究杂志》，270.2（2018）：654669。[23]Gerlein，E.A.、McGinnity，M.、Belatreche，A.和Coleman S.《评估金融交易的机器学习分类：一种实证方法》。具有应用程序的专家系统，15；54 (2016):193-207.【24】Gottlieb，L.-A.、Kontorovich，A.和Krauthgamer，A.metricdata的高效分类。IEEE信息论学报，60.9（2014）：5750-5759。【25】Gottlieb，L.A.、Kontorovich，A.和Nisneitch，P.半度量接近最优分类。《机器学习研究杂志》，1；18(1) (2016):1233-1254.[26]郭，X.G.，王，J.L.，廖，F.，和Teo，R.S.，具有未知死区输入和速度/加速度干扰的车辆平台分布式自适应控制。

《鲁棒与非线性控制国际杂志》，10；27(16) (2017):2961-2981.【27】Jeong，G.和Kim，H.Y.，利用深度q学习改进金融交易决策：预测股票数量、行动策略和转移学习。具有应用程序的专家系统，1；117 (2019):125-138.[28]贾，H.，Cheung，Y.-M.和Liu，J.分类数据无监督学习的新距离度量。IEEE神经网络和学习系统学报27.5（2016）：1065-1079。[29]蒋，Z.，梁，J.深度强化学习的加密货币投资组合管理。2017年智能系统会议（IntelliSys）2017年9月7日（第905-913页）。IEEE。[30]Kearney，C.和Liu，S.《金融中的文本情感：方法和模型调查》。《国际财务分析评论》，1；33 (2014):171-85.[31]Korn，R.，和Korn E.《期权定价和投资组合优化：现代金融数学方法》。数学研究生课程，第31卷。美国数学学会。，罗得岛州普罗维登斯，2001年。[32]Krauss，C.、Do，X.A.和N.Huck。深层神经网络、梯度增强树、随机森林：标准普尔500指数的统计套利。《欧洲运筹学杂志》，259.2（2017）：689-702。【33】Kyng，K.、Rao，A.、Sachdeva S.、Spielman，D.A.Lipschitz学习字母的算法。《机器学习研究杂志：研讨会和会议记录》，卷40:1-342015。【34】Lahmiri，S.，一种用于分析和预测经济和金融时间序列的变分模式分解方法。专家系统与应用，55（2016）：268-273。[35]Lee，T.K.、Cho，J.H.、Kwon，D.S.和Sohn，S.Y.，全球股市投资策略，基于使用机器学习技术的金融网络指标。

决策支持系统，1；112 (2018):23-34.【46】Maknickien˙e，N.、Rutkauskas，A.V.和Maknickas，A.利用递归神经网络进行金融市场预测的研究。科学、商业和教育创新技术，2（11）（2011）：3-8。[47]Maringer，D.，和Ramtohul，T。。投资决策的制度转换循环强化学习。计算管理科学9.1（2012）：89-107。【48】Martinez，L.C.、da Hora，D.N.、Palott，i J.R.、Meira，W.和Pappa，G.L.，《从人工神经网络到股市日交易系统：bm&f bovespa案例研究》。2009年神经网络国际联合会议2009年6月14日（第2006-2013页）。IEEE。【49】McShane，E.J.，功能范围的扩展，Bull。美国。数学Soc。40 (1934): 837-842.[50]Milman V.A.，度量空间上函数的绝对最小扩张Sbornik：数学190,6（1999）：859-885。【51】Moghadam，A.H.、Moghadam，M.H.和Esfandyari，M.，使用人工神经网络预测股市指数。经济、金融和行政科学杂志，1；21(41) (2016):89-93.【52】Moody，J.，和Sa Offell，M。。通过直接强化学习贸易。IEEE transactionson neural Networks 12.4（2001）：875-889。[53]Mustata，C.拟度量空间上半Lipschitz函数的扩展。修订版。肛门。数字。理论。约30.1（2001）：61-67。[54]Mustata，C.关于极值半Lipschitz函数。修订版。肛门。数字。理论。约31.1（2002）：103-108。【55】Nassirtoussi，A.K.、Aghabozorgi，S.、Wah T.Y.和Ngo，D.C.，《市场预测的文本挖掘：系统综述》。具有应用程序的专家系统，15；41(16) (2014):76537670.[56]Park，H.、Sim，M.K.和Choi D.G。。使用深度Q学习的智能金融投资组合交易策略。arXiv预印本arXiv:1907.03665。2019年7月8日。【57】Patel，J.、Shah，S.、Thakkar P、Kotecha K。

利用机器学习技术的融合预测股市指数。具有应用程序的专家系统，1；42(4) ( 2015):2162-2172.[58]Pendharkar，P.C.和Cusatis，P.与强化学习代理交易金融指数。具有应用程序的专家系统，1；103 (2018):1-3.【59】Rao，A.，图上Lipschitz扩展的算法，耶鲁大学，ProQuest论文出版社，纽黑文，2015年。[60]Romaguera，S.和Sanchis，M.拟空间中的半Lipschitz函数和最佳逼近。近似理论杂志103，（2000）：292-301。[61]Schmidhuber，J.神经网络的深度学习：概述。神经网络61（2015）：85-117。【62】Sezer，O.B.和A.M.Ozbayoglu。深度卷积神经网络算法金融交易：时间序列到图像转换方法。应用软件计算70（2018）：525-538。【63】Shen，S.，Jiang，H.，和Zhang，T.，使用机器学习算法进行股票市场预测。斯坦福大学电气工程系，斯坦福，加利福尼亚州。2012:1-5。【64】Simovici，D.，《机器学习和数据挖掘的数学分析》，世界科学出版社，新加坡，2018年。做梦机器学习25[65]萨顿，R.S.，和巴托，A.G.，强化学习：简介。麻省理工学院出版社；2018年10月19日。[66]Tk\'aˇc M.和Verner，R.《商业中的人工神经网络：二十年的研究》。应用软计算，1；38 (2016):788-804.【67】Ticknor，J.L.，一种用于股市预测的贝叶斯正则化人工神经网络。专家系统与应用40.14（2013）：5501-5506。【68】Wang，B.、Huang，H.和Wang，X.，一种新的用于财务时间序列预测的文本挖掘方法。神经计算，15；83 (2012):136-145.【69】Wang，B.，Huang，H.，and Wang X.，一种基于支持向量机的MSM模型，用于金融短期波动预测。神经计算与应用。

1.22(1) (2013):2128.[70]肖，G.，张，H.，罗，Y.，和曲，Q.，基于广义值迭代的强化学习，用于解决连续时间非线性系统的最优跟踪控制问题。神经计算，5；245 (2017):114-123.[71]Yeh，C.Y.，Huang，C.W.，和Lee，S.J.，股市价格预测的多核支持向量回归方法。具有应用程序的专家系统，1；38(3) (2011):21772186.[72]Yin，Y.、Shang，P.和Xia，J.，金融市场中时间序列的组合细分。《应用数学与计算》，268（2015）：399-412。[73]张，X.，胡Y.，谢K.，张W.，苏L.，和刘M.，一个用于股票交易规则发现的进化趋势反转模型。基于知识的系统，1；79 (2015):27-35.[74]Zhang，J.，和Maringer，D.，使用遗传算法改进股票交易的循环强化学习。计算经济学，1；47(4) (2016):551-567.[75]志强，G.，怀青，W.，和全，L.，使用PSO优化的LPP和SVM进行金融时间序列预测。软计算17.5（2013）：805-818.26 J.M.CALABUIG、H.FALCIANI和E.A.S'ANCHEZ-P'EREZJos'E M.CALABUIG是巴伦西亚理工大学的应用数学教授，也是该大学纯数学和应用数学研究所的研究员。他的研究工作集中在一些数学分析主题上，主要是空间和巴拿赫算子理论，他在其中发表了40多篇研究论文。他还是计算机、经济学和其他应用领域中数学结构应用的积极研究者，目前正在开发反欺诈计算技术、区块链在公共管理中的应用等多个研究项目。

本文展示了这些项目在理论方面的一些结果。Herv\'e Falciani是一名计算机工程师和分析师，他在金融市场上从事反经济欺诈的工作。他曾在互联网安全和税务欺诈问题上与多个欧洲ZF、公共管理部门和社会组织合作。目前，他作为巴伦西亚理工大学纯数学和应用数学研究所的合作者，以分析员和研究员的身份参与了几个兰提欺诈项目。他还在INRIA做了几年的数据科学家，开发了一些用于检测异常事件的深度学习工具，主要是图形数据。梦幻机器学习27Enrique A.S’anchez P’erez也是巴伦西亚理工大学的应用数学教授和纯数学与应用数学研究所的研究员。他是一位活跃的功能分析研究者，发表了130多篇文章和几本书。他还与健康科学、声学、信息科学和计算机科学等其他科学领域的研究小组合作开展跨学科项目。他还参与了反欺诈计算机工具数学基础的开发项目。Pura y Aplicada大学。瓦伦西亚政治大学。46022瓦伦西亚。西班牙jmcalabu@mat.upv.es, herfal@upvnet.upv.es, easancpe@mat.upv.es