АНАЛІЗ ДОХОДНОСТІ ФІНАНСОВИХ ІНСТРУМЕНТІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ АДАПТИВНОГО УПРАВЛІННЯ ДИВЕРСИФІКОВАНИМ ІНВЕСТИЦІЙНИМ ПОРТФЕЛЕМ

dc.contributor.authorФоменко, Л. С.
dc.date.accessioned2025-12-22T11:53:06Z
dc.date.issued2025
dc.descriptionФоменко, 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.
dc.description.abstractУ 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.
dc.identifier.urihttps://ekhsuir.kspu.edu/handle/123456789/21741
dc.subjectмашинне навчання з підкріпленням
dc.subjectфінансові інструменти
dc.subjectінвестиційний портфель
dc.subjectQ-learning
dc.subjectадаптивне управління
dc.subjectдиверсифікація
dc.subjectризик
dc.subjectоптимізація
dc.subjectпрогнозування доходності
dc.subjectPython
dc.subjectreinforcement learning
dc.subjectfinancial instruments
dc.subjectinvestment portfolio
dc.subjectadaptive management
dc.subjectdiversification
dc.subjectrisk
dc.subjectoptimization
dc.subjectprofitability forecasting
dc.subjectPython.
dc.titleАНАЛІЗ ДОХОДНОСТІ ФІНАНСОВИХ ІНСТРУМЕНТІВ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ДЛЯ АДАПТИВНОГО УПРАВЛІННЯ ДИВЕРСИФІКОВАНИМ ІНВЕСТИЦІЙНИМ ПОРТФЕЛЕМ
dc.title.alternativeANALYSIS OF FINANCIAL INSTRUMENTS PROFITABILITY USING REINFORCEMENT LEARNING FOR ADAPTIVE MANAGEMENT OF A DIVERSIFIED INVESTMENT PORTFOLIO
dc.typeOther

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Кваліфікаційна робота _Фоменко Л.С..pdf
Size:
1.96 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections