Automatické obchodování na akciové burze založené na fundamentálních datech a algoritmech zpětnovazebního učení
Automatic stock trading based on fundamental factors and reinforcement learning
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jakub Michna
Vedoucí práce
Strachota Pavel
Oponent práce
Oberhuber Tomáš
Studijní obor
Matematické modelováníStudijní program
Matematické inženýrstvíInstituce přidělující hodnost
katedra matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Bakalářská práce se věnuje využití zpětnovazebního učení pro realizace investiční strategie pro obchodování na akciové burze na základě fundamentálních dat. V rámci práce jsou uceleně popsané přístupy zpětnovazebního učení v Markovských rozhodovacích procesech, konkrétně jsme se zabývali: metodou Monte Carlo, Temporální diferencí, Bootstrappingem, aproximací kvalitativní funkce pomocí neuronových sítí a metodami založenými na gradientu strategie. Popsané přístupy jsou ilustrovány na ukázkové úloze, ke které jsou přiložené i zdrojové kódy v jazyce Python. V posledních kapitolách jsme navrhli konkrétní realizaci investiční strategie, kterou jsme otestovali na syntetických datech. The bachelor thesis focuses on the use of Reinforcement learning to implement an investment strategy for stock market trading based on fundamental data. The thesis will comprehensively describe the approaches of Reinforcement learning in Markov decision processes, specifically we will cover: the Monte Carlo method, Temporal Difference, Bootstrapping, approximation of the qualitative function by neural networks and gradient-based strategy methods. The described approaches are illustrated by a demonstrational problem, which is accompanied by Python source code. In the last chapters, we describe a concrete implementation of the investment strategy, which we test on synthetic data.
Kolekce
- Bakalářské práce - 14101 [278]