Reinforcement learning for financial portfolio management

Vogiatzis Antonios

URI	http://purl.tuc.gr/dl/dias/D1789144-A3B3-4633-9F4D-0A5F26B554A6	-
Identifier	https://doi.org/10.26233/heallink.tuc.81140	-
Language	en	-
Extent	90 pages	el
Title	Reinforcement learning for financial portfolio management	en
Title	Ενισχυτική μάθηση για διαχείριση οικονομικού χαρτοφυλακίου	el
Creator	Vogiatzis Antonios	en
Creator	Βογιατζης Αντωνιος	el
Contributor [Thesis Supervisor]	Lagoudakis Michail	en
Contributor [Thesis Supervisor]	Λαγουδακης Μιχαηλ	el
Contributor [Committee Member]	Chalkiadakis Georgios	en
Contributor [Committee Member]	Χαλκιαδακης Γεωργιος	el
Contributor [Committee Member]	Doumpos Michail	en
Contributor [Committee Member]	Δουμπος Μιχαηλ	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών::Intelligent Systems Laboratory	el
Description	Διπλωματική Εργασία που υποβλήθηκε στην σχολή ΗΜΜΥ του Πολυτεχνείου Κρήτης	el
Description	Diploma Thesis for Integrated Master in Electrical and Computer Engineering (ECE) of the Technical University of Crete (TUC)	el
Content Summary	Portfolio 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 Summary	Τα 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 Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2019-02-22	-
Date of Publication	2019	-
Subject	Reinforcement learning	en
Subject	Ενισχυτική μάθηση	el
Subject	Νευρωνικά δίκτυα	el
Subject	Neural networks	en
Subject	Μηχανική μάθηση	el
Subject	Machine learning	en
Subject	Βελτιστοποίηση χαρτοφυλακίου	el
Subject	Portfolio optimization	en
Bibliographic Citation	Antonios Vogiatzis, "Reinforcement learning for financial portfolio management", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019	en
Bibliographic Citation	Αντώνιος Βογιατζής, "Ενισχυτική μάθηση για διαχείριση οικονομικού χαρτοφυλακίου", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019	el

Search

Browse

My Space

Reinforcement learning for financial portfolio management

Vogiatzis Antonios

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: