prikaz prve stranice dokumenta Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga
No public access
master's thesis
Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:143217
Tomaš, Marino
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Tomaš, M. (2023). Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:143217

Tomaš, Marino. "Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:143217

Tomaš, Marino. "Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:143217

Tomaš, M. (2023). 'Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 25 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:143217

Tomaš M. Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2024 December 25] Available at: https://urn.nsk.hr/urn:nbn:hr:168:143217

M. Tomaš, "Primjena dubokog podržanog učenja na problem optimalnog izvršenja naloga", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:143217

Metadata
TitlePrimjena dubokog podržanog učenja na problem optimalnog izvršenja naloga
Title (english)Application of Deep Reinforcement Learning to the Problem of Optimal Order Execution
AuthorMarino Tomaš
MentorZvonko Kostanjčar (mentor)
Committee memberZvonko Kostanjčar (predsjednik povjerenstva)
Committee memberTomislav Petković (član povjerenstva)
Committee memberStjepan Begušić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2023-07-13, Croatia
Abstract
Kod problema optimalnog izvršenja naloga, potrebno je odrediti kako optimalno podijeliti jedan volumno veliki nalog za kupnju ili prodaju u skup naloga s manjim volumenima, s ciljem maksimizacije profita i minimizacije rizika. Za rješavanje ovog problema korišteno je duboko podržano učenje, kombinacija dubokog i podržanog učenja u kojoj se duboke neuronske mreže koriste kao funkcijski aproksimatori za reprezentaciju politike i/ili funkcije vrijednosti stanja. U sklopu ovog rada razvijen je sofisticirani model utjecaja na tržište korištenjem empirijski potvrđenih funkcija utjecaja na tržište. Zatim su na navedeni model primijenjene dvije metode dubokog podržanog učenja, PPO i Rainbow DQN, kao i klasični pristupi problemu optimalnog izvršenja naloga. Izvršena je usporedba performansi rezultata navedenih pristupa, te su analizirane dobivene politike podržanog učenja.
Abstract (english)
The problem of optimal order execution involves determining how to optimally divide one large bid or ask order into a set of orders with smaller volumes, with the goal of maximizing profits and minimizing risks. To address this problem, we employ deep reinforcement learning, a combination of deep learning and reinforcement learning in which deep neural networks serve as function approximators to represent the policy and/or state value function. As part of this work, a sophisticated market impact model based on empirically corroborated market impact functions was developed. Subsequently, two deep reinforcement learning models, PPO and Rainbow DQN, as well as classical approaches to the problem of optimal order execution, were applied to it. A comparative performance evaluations of all the approaches was performed, and the resulting reinforcement learning policies were analyzed.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:143217
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-10-11 10:47:23