Hluboké posilované učení pro predikci akciového trhu
| Název práce: | Deep Reinforcement Learning in Stock Prediction |
|---|---|
| Autor(ka) práce: | Pilíková, Kamila |
| Typ práce: | Diploma thesis |
| Vedoucí práce: | Taušer, Josef |
| Oponenti práce: | Zezula, Jakub |
| Jazyk práce: | English |
| Abstrakt: | This master's thesis evaluates whether selected deep reinforcement learning (DRL) algorithms applied to multi-stock portfolio trading can outperform traditional benchmark strategies, specifically a buy-and-hold strategy on the Dow Jones Industrial Average (DJIA) and Markowitz mean-variance optimization. Five DRL agents are implemented within the FinRL framework and assessed across three consecutive out-of-sample trading years (2023–2025). Their performance is measured using cumulative return, risk-adjusted metrics, maximum drawdown, and robustness across repeated runs. The results indicate that the strongest DRL agents, particularly Soft Actor-Critic (SAC) and Advantage Actor-Critic (A2C), outperform the DJIA benchmark across all evaluated years. In contrast, the mean-variance portfolio achieves the highest cumulative return in 2023, but is surpassed by SAC and A2C in 2024 and 2025. Important differences in robustness are also observed: SAC delivers the highest average returns but exhibits substantial variability across runs, whereas A2C provides more stable and predictable outcomes. The findings suggest that DRL represents a viable approach to multi-stock portfolio trading, although practical implementation requires balancing return potential with model stability and consistency of outcomes. |
| Klíčová slova: | multi-stock portfolio trading; algorithmic trading; mean-variance optimization; Dow Jones Industrial Average; risk-adjusted performance; robustness; deep reinforcement learning |
| Název práce: | Hluboké posilované učení pro predikci akciového trhu |
|---|---|
| Autor(ka) práce: | Pilíková, Kamila |
| Typ práce: | Diplomová práce |
| Vedoucí práce: | Taušer, Josef |
| Oponenti práce: | Zezula, Jakub |
| Jazyk práce: | English |
| Abstrakt: | Tato diplomová práce zkoumá, zda vybrané algoritmy hlubokého posilovaného učení (DRL) využité při obchodování s víceakciovým portfoliem mohou překonat tradiční benchmarkové strategie, konkrétně strategii buy-and-hold na indexu Dow Jones Industrial Average (DJIA) a Markowitzovu mean-variance optimalizaci. Pět agentů DRL je implementováno s využitím prostředí FinRL a hodnoceno ve třech po sobě jdoucích testovacích obchodních letech (2023–2025). Jejich výkonnost je měřena pomocí kumulativního výnosu, rizikově očištěných ukazatelů výkonnosti, maximálního drawdownu a robustnosti v opakovaných bězích. Výsledky ukazují, že nejsilnější agenti DRL, zejména Soft Actor-Critic (SAC) a Advantage Actor-Critic (A2C), překonávají benchmark DJIA ve všech hodnocených letech. Naproti tomu mean-variance portfolio dosahuje nejvyššího kumulativního výnosu v roce 2023, avšak v letech 2024 a 2025 je překonáno agenty SAC a A2C. Významné rozdíly byly zjištěny také v oblasti robustnosti: SAC dosahuje nejvyšších průměrných výnosů, avšak vykazuje značnou variabilitu mezi jednotlivými běhy, zatímco A2C poskytuje stabilnější a předvídatelnější výsledky. Zjištění naznačují, že DRL představuje slibný přístup k obchodování s víceakciovým portfoliem, praktické využití však vyžaduje vyvážení výnosového potenciálu se stabilitou modelu a konzistencí výsledků. |
| Klíčová slova: | algoritmické obchodování; Markowitzova optimalizace portfolia; Dow Jones Industrial Average; hluboké posilované učení; víceakciové portfolio; rizikově očištěná výkonnost; robustnost |
Informace o studiu
| Studijní program / obor: | Mezinárodní obchod |
|---|---|
| Typ studijního programu: | Magisterský studijní program |
| Přidělovaná hodnost: | Ing. |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta mezinárodních vztahů |
| Katedra: | Katedra mezinárodního podnikání |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 29. 1. 2025 |
|---|---|
| Datum podání práce: | 24. 4. 2026 |
| Datum obhajoby: | 1. 6. 2026 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/91183/podrobnosti |