Факультет комп'ютерних наук, фізики та математики

Permanent URI for this communityhttps://ekhsuir.kspu.edu/handle/123456789/10254

Browse

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    АНАЛІЗ ДОХОДНОСТІ ФІНАНСОВИХ ІНСТРУМЕНТІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ АДАПТИВНОГО УПРАВЛІННЯ ДИВЕРСИФІКОВАНИМ ІНВЕСТИЦІЙНИМ ПОРТФЕЛЕМ
    (2025) Фоменко, Л. С.
    У кваліфікаційній роботі досліджено можливості використання методів машинного навчання з підкріпленням для оптимізації структури інвестиційного портфеля та підвищення ефективності управління ризиками. Розглянуто теоретичні засади формування диверсифікованого портфеля, моделі оцінювання доходності фінансових інструментів та підходи до адаптивного прийняття рішень у динамічних ринкових умовах. У роботі побудовано модель на основі алгоритму Q-learning, що дозволяє агенту навчатися оптимальним стратегіям розподілу капіталу між активами з урахуванням історичних даних, волатильності та ризикового профілю. Здійснено порівняльний аналіз результатів моделі з традиційними методами портфельного аналізу, зокрема моделлю Марковіца. Практичну реалізацію виконано з використанням мов програмування Python та бібліотек TensorFlow і pandas. Отримані результати підтверджують, що застосування підходів з підкріпленням забезпечує підвищення стабільності прибутковості портфеля та здатність моделі адаптуватися до змін ринкової кон’юнктури. / The thesis explores the application of reinforcement learning methods for optimizing investment portfolio structure and improving risk management efficiency. The study examines the theoretical foundations of diversified portfolio formation, models for evaluating the profitability of financial instruments, and adaptive decision-making approaches in dynamic market environments. A Q-learning-based model was developed, enabling an agent to learn optimal capital allocation strategies among assets based on historical data, volatility, and risk profile. A comparative analysis of the proposed model and traditional portfolio analysis methods, including the Markowitz model, was conducted. The practical implementation was carried out using Python and the TensorFlow and pandas libraries. The results demonstrate that reinforcement learning approaches enhance portfolio profitability stability and allow the model to adapt effectively to changing market conditions.