Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Reinforcement learning for financial portfolio management

Vogiatzis Antonios

Simple record


URIhttp://purl.tuc.gr/dl/dias/D1789144-A3B3-4633-9F4D-0A5F26B554A6-
Identifierhttps://doi.org/10.26233/heallink.tuc.81140-
Languageen-
Extent90 pagesel
TitleReinforcement learning for financial portfolio managementen
TitleΕνισχυτική μάθηση για διαχείριση οικονομικού χαρτοφυλακίουel
CreatorVogiatzis Antoniosen
CreatorΒογιατζης Αντωνιοςel
Contributor [Thesis Supervisor]Lagoudakis Michailen
Contributor [Thesis Supervisor]Λαγουδακης Μιχαηλel
Contributor [Committee Member]Chalkiadakis Georgiosen
Contributor [Committee Member]Χαλκιαδακης Γεωργιοςel
Contributor [Committee Member]Doumpos Michailen
Contributor [Committee Member]Δουμπος Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών::Intelligent Systems Laboratoryel
DescriptionΔιπλωματική Εργασία που υποβλήθηκε στην σχολή ΗΜΜΥ του Πολυτεχνείου Κρήτηςel
DescriptionDiploma Thesis for Integrated Master in Electrical and Computer Engineering (ECE) of the Technical University of Crete (TUC)el
Content SummaryPortfolio Optimization saw a huge flood of interest in recent years, because of the rapidly growing ability of modern computers. The financial community continually seeks outstanding techniques from other fields to enhance financial market modelling. In this thesis, we propose a machine learning approach to the portfolio optimization problem, which calls for optimizing the allocation of capital across various financial assets, such as bonds, stocks, or funds, to maximize a preferred performance metric, such as expected returns or risk-adjusted return. We use the reinforcement learning framework, which offers innovative methods of learning good decision making policies that maximize an autonomous agent’s performance in an unknown and uncertain environment. Using state-of-the-art technology based on policy gradient and deep neural networks, we developed and implemented a portfolio trading system with reinforcement learning. Subsequently, we assessed the success of our portfolio management approach and evaluated its performance using real data from the Standard & Poor’s 500 repositories of the American stock market. The results we obtained achieve about 2% more wealth in the best scenario compared to the baseline models. We believe that the proposed approach outlines several metrics as evaluation indices and could expand in the future for adaptive solutions to specific cases of portfolio management, delivering better performance.en
Content SummaryΤα τελευταία χρόνια παρατηρείται τεράστια αύξηση ενδιαφέροντος για βελτιστοποίηση χαρτοφυλακίου (portfolio optimization), λόγω της ραγδαία αναπτυσσόμενης ικανότητας των σύγχρονων υπολογιστών. Η οικονομική κοινότητα επιδιώκει συνεχώς τις καινοτόμες τεχνικές από άλλους τομείς για τη βελτίωση της μοντελοποίησης της χρηματοπιστωτικής αγοράς. Στην παρούσα διπλωματική εργασία προτείνουμε μια προσέγγιση μηχανικής μάθησης στο πρόβλημα βελτιστοποίησης χαρτοφυλακίου, το οποίο καλεί για βελτιστοποίηση της κατανομής κεφαλαίων σε διάφορα χρηματοοικονομικά περιουσιακά στοιχεία, όπως ομόλογα, μετοχές ή κεφάλαια, με στόχο τη μεγιστοποίηση μιας προτιμώμενης μετρικής επιδόσεων, όπως αναμενόμενη απόδοση ή προσαρμοσμένη απόδοση βάσει ρίσκου. Χρησιμοποιούμε το πλαίσιο ενισχυτικής μάθησης (reinforcement learning), το οποίο προσφέρει καινοτόμες μεθόδους εκμάθησης ορθών πολιτικών λήψης αποφάσεων που μεγιστοποιούν τις επιδόσεις ενός αυτόνομου πράκτορα σε ένα άγνωστο και αβέβαιο περιβάλλον. Χρησιμοποιώντας τεχνολογία αιχμής που βασίζεται σε τεχνικές policy gradient και deep neural networks, αναπτύξαμε και υλοποιήσαμε ένα σύστημα διαχείρισης χαρτοφυλακίων με ενισχυτική μάθηση. Στη συνέχεια, αξιολογήσαμε την επιτυχία της προτεινόμενης προσέγγισης και αξιολογήσαμε την απόδοσή της χρησιμοποιώντας πραγματικά δεδομένα από τους καταλόγους Standard & Poor's 500 της αμερικανικής χρηματιστηριακής αγοράς. Τα αποτελέσματα που λάβαμε καταγράφουν περίπου 1,5% περισσότερο πλούτο σε σύγκριση με τα βασικά μοντέλα. Πιστεύουμε ότι η προτεινόμενη προσέγγιση σκιαγραφεί διάφορες μετρικές ως δείκτες αξιολόγησης και θα μπορούσε να επεκταθεί στο μέλλον για προσαρμοστικές λύσεις σε συγκεκριμένες περιπτώσεις διαχείρισης χαρτοφυλακίου, παρέχοντας καλύτερες επιδόσεις.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2019-02-22-
Date of Publication2019-
SubjectReinforcement learningen
SubjectΕνισχυτική μάθησηel
SubjectΝευρωνικά δίκτυαel
SubjectNeural networksen
SubjectΜηχανική μάθησηel
SubjectMachine learningen
SubjectΒελτιστοποίηση χαρτοφυλακίουel
SubjectPortfolio optimizationen
Bibliographic CitationAntonios Vogiatzis, "Reinforcement learning for financial portfolio management", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Bibliographic CitationΑντώνιος Βογιατζής, "Ενισχυτική μάθηση για διαχείριση οικονομικού χαρτοφυλακίου", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Available Files

Services

Statistics