otletek

1. add moving weighted penalization of share count

$$P=\frac{t}{T}\cdot X_t^1\cdot c$$

where $c$ is the base weight

$$P=\frac{t}{T}\cdot \lambda \cdot {X_t^1}^{\alpha }\cdot c$$

where $X_t^1$ is the risky asset at timestep $t$

$$P={\beta }^{T-t}\cdot \lambda \cdot {X_t^1}^{\alpha }\cdot c$$

where $\beta \in [0,1]$

$R_{\text{new}}=R_{\text{old}}-P$

1. strip out the price and only try to learn liquidation
   1. $\pm Z$ reszveny az elejen $\to$ test env: arfolyam $A\sim N(0,1)$ , kezdoreszveny $Z\sim N(0,\text{nagy szam})$, kulonben sima FBM stepes reward
   2. arfolyam: $t\to t^{\kappa }$ where $\kappa \sim U(0,1)$ , kulonben sima FBM step es reward

• elso sorban probaljuk nagyobb $T$-re a tanitast, mert lehet hogy kicsi $T$-re nem tudja megismerni az FBM-et

• rovid T-rol inkeremtalisan tanitjuk hossza T-re, pl $T\in [100,10000]$

• lehet-e burn-int vegezni az LSTM-en, tehat pl az elso $x$ lepesen keresztul nem kap rewardot csak ismerje fel az FBM-et

• probaljunk ki $0.2$-vel dropout-ot az LSTM modulban

• legyen a batch size egesz szamszorosa az idohorizontnak

• legyen vegre kiszamolva a market bound $Q$