АНАЛІЗ ДОХОДНОСТІ ФІНАНСОВИХ ІНСТРУМЕНТІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ АДАПТИВНОГО УПРАВЛІННЯ ДИВЕРСИФІКОВАНИМ ІНВЕСТИЦІЙНИМ ПОРТФЕЛЕМ
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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.
Description
Фоменко, Л. С. Аналіз доходності фінансових інструментів з використанням машинного навчання з підкріпленням для адаптивного управління диверсифікованим інвестиційним портфелем = Analysis of Financial Instruments Profitability Using Reinforcement Learning for Adaptive Management of a Diversified Investment Portfolio: кваліфікаційна робота на здобуття ступеня вищої освіти «магістр» / Л. С. Фоменко; наук. к. д. е. н., проф. В. М. Кобець; Міністерство освіти і науки України ; Херсонський держ. ун-т, ф-т комп’ютерних наук, фізики та математики, кафедра комп’ютерних наук та програмної інженерії. – Херсон – Івано- Франківськ : ХДУ, 2025. – 53 с.
Keywords
машинне навчання з підкріпленням, фінансові інструменти, інвестиційний портфель, Q-learning, адаптивне управління, диверсифікація, ризик, оптимізація, прогнозування доходності, Python, reinforcement learning, financial instruments, investment portfolio, adaptive management, diversification, risk, optimization, profitability forecasting, Python.