<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=122395"><dc:title>Globoko spodbujevalno učenje strategije za trgovanje z električno energijo</dc:title><dc:creator>Golob,	Ana	(Avtor)
	</dc:creator><dc:creator>Todorovski,	Ljupčo	(Mentor)
	</dc:creator><dc:subject>trgovanje z električno energijo</dc:subject><dc:subject>globoko spodbujevalno učenje</dc:subject><dc:subject>algoritem učenja Q</dc:subject><dc:description>Trgovanje na organiziranih trgih z električno energijo zaradi velike kompleksnosti in stohastičnega značaja trgov predstavlja velik izziv. Danes so pri iskanju trgovalnih strategij v veliko pomoč številni napredni pristopi iz področja analize podatkov in umetne inteligence. Tekom tega dela želimo raziskati možnost uporabe metod globokega spodbujevalnega učenja za namene iskanja trgovalne strategije na trgu z električno energijo. Pri omenjenih metodah dogajanje na trgu modeliramo z uporabo Markovskih odločitvenih procesov. Za iskanje učinkovite strategije pa implementiramo agenta spodbujevalnega učenja, ki se na podlagi preteklih podatkov uči optimalne trgovalne strategije.

Magistrsko delo precejšno pozornost namenja teoriji spodbujevalnega učenja, ki pri usmerjanju učenja uporablja nagrade in kazni. Znotraj spodbujevalnega učenja obstajajo različni pristopi, v tem delu se osredotočamo na metodo učenja Q. Ker ima trg električne energije neskončno možnih stanj potrebujemo razširitev omenjene metode z uporabo globokih nevronskih mrež. V magistrskem delu tako uporabimo algoritem globokega učenja Q za učenje strategije trgovalnega agenta.

Učinkovitost naučene strategije merimo preko višine skupnega dobička in metrik, kot sta npr. povprečna marža in odstotek poslov, ki so zaprti s pozitivnim dobičkom.  Znotraj tega dela implementirani algoritem za trgovanje z električno energijo zagotavlja stabilno in dovolj hitro konvergenco učenja. Rezultati kažejo, da z implementiranim učnim algoritmom precej izboljšamo naključno strategijo trgovanja na testni množici.</dc:description><dc:date>2020</dc:date><dc:date>2020-12-09 08:15:02</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>122395</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>