Обсуждение статьи "Нейросети — это просто (Часть 29): Алгоритм актер-критик с преимуществом (Advantage actor-critic)" - страница 2

[encoder83]

         double reward = Rates[i - 1].close - Rates[i - 1].open;
         switch(action)
           {
            case 0:
               if(reward < 0)
                  reward *= -20;
               else
                  reward *= 1;
               break;
            case 1:
               if(reward > 0)
                  reward *= -20;
               else
                  reward *= -1;
               break;
            default:
               if(batch == 0)
                  reward = -fabs(reward);
               else
                 {
                  switch((int)vActions[batch - 1])
                    {
                     case 0:
                        reward *= -1;
                        break;
                     case 1:
                        break;
                     default:
                        reward = -fabs(reward);
                        break;
                    }
                 }
               break;
           }

Можете ли вы объяснить больше о коде для расчета вознаграждения. Потому что в части 27, политика вознаграждения как ниже, это отличается от кода выше :

1. Прибыльная позиция получает вознаграждение, равное размеру тела свечи (анализируйте состояние системы на каждой свече; мы находимся в позиции от открытия свечи до ее закрытия).
2. Состояние "вне рынка" наказывается размером тела свечи (размер тела свечи с отрицательным знаком для обозначения упущенной выгоды).
3. Убыточная позиция наказывается двойным размером тела свечи (убыток + упущенная прибыль).