| 課程編碼 Course Code | 中文課程名稱 Course Name (Chinese) | 英文課程名稱 Course Name (English) | 總學分數 Credits | 總時數 Hours |
|---|---|---|---|---|
| AB05129 | 強化學習於財金應用 | Foundations of Reinforcement Learning with Applications in Finance | 3.0 | 3 |
| 中文概述 Chinese Description | 本課程旨在介紹強化學習（Reinforcement Learning, RL）的核心概念、數學基礎與主要演算法，並結合財務與投資管理的應用實例。內容涵蓋馬可夫決策過程（MDP）、動態規劃（DP）、蒙地卡羅（MC）方法、時序差分（TD）學習、策略梯度（Policy Gradient）、深度強化學習等主題，同時透過金融市場的真實案例，引導學生理解 RL 在投資組合最佳化、資產配置、避險策略、交易策略自動化等領域中的應用方式。 課程採用理論與實作並重的方式，搭配 Python 程式實作與金融資料分析，協助學生逐步累積建構 RL 模型的能力。學生將學習如何定義財務問題中的狀態空間、動作空間與報酬函數，並訓練智能代理人於市場模擬環境中進行策略學習、決策與改善。本課程亦將討論強化學習在金融應用上的挑戰，例如市場隨機性、風險控管、環境非平穩性、評估困難等問題，並介紹最新的研究方向與業界實務。 修讀本課程後，學生能具備基礎的強化學習能力，了解 RL 模型在 FinTech、量化投資與數位財務決策上的角色，並能在課堂專題中打造具體的 RL 金融應用原型。 | |||
| 英文概述 English Description | This course provides a comprehensive introduction to Reinforcement Learning (RL) and its applications in finance. Topics include Markov Decision Processes (MDP), Dynamic Programming, Monte Carlo methods, Temporal-Difference learning, Policy Gradient approaches, and Deep Reinforcement Learning. Through lectures and coding exercises, students will learn how to formulate financial problems within the RL framework—defining states, actions, and reward functions—and how to train agents to make sequential investment decisions. The course integrates theory with practical applications such as portfolio optimization, asset allocation, hedging strategies, and algorithmic trading. Students will gain hands-on experience implementing RL algorithms in Python and applying them to real-world financial datasets. Challenges unique to financial markets, including stochasticity, risk constraints, non-stationarity, and evaluation difficulties, will also be discussed. | |||
| 核心能力指標 | 1.具備資訊與財金管理領域的專業知識並瞭解其在相關領域上的應用 2.策劃及執行專題研究之能力 4.創新思考與獨立解決問題的能力 5.具備跨領域團隊合作與溝通協調的組織能力 8.養成終身學習的習慣與能力 | |||
備註：