Automatické obchodování na akciové burze založené na fundamentálních datech a algoritmech zpětnovazebního učení

Abstract

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.