20.500.12556/RUL-174739 Globoko spodbujevalno učenje strategij ustvarjanja trga Deep reinforcement learning of market-making strategies Magistrska naloga obravnava razvoj in implementacijo okolja za globoko spodbujevalno učenje strategij ustvarjanja trga. Predstavljene so teoretične osnove markovskih procesov odločanja in tehnike globokega spodbujevalnega učenja, s poudarkom na $Q$-učenju in globokem $Q$-učenju. Delo vključuje podrobno analizo limitne knjige naročil in različnih tipov tržnih naročil, ki so ključni za razumevanje dinamike finančnih trgov. Izdelali smo simulacijsko okolje za testiranje trgovalnih strategij, kjer smo najprej implementirali agenta na poenostavljenem trgu z uporabo $Q$-učenja in globokega $Q$-učenja. Analiza rezultatov je pokazala učinkovitost različnih pristopov v odvisnosti od parametrov okolja. Razviti agent je bil nato prilagojen za trgovanje na realnih podatkih kripto trgov z uporabo tehničnih indikatorjev in naprednejših arhitektur nevronskih mrež. Eksperimentalni rezultati kažejo, da lahko strategije, naučene s pomočjo globokega spodbujevalnega učenja, uspešno konkurirajo tradicionalnim pristopom ustvarjanja trga v različnih tržnih pogojih. The master’s thesis deals with the development and implementation of an environment for deep reinforcement learning of market-making strategies. The theoretical foundations of Markov decision processes and deep reinforcement learning techniques are presented, with emphasis on $Q$-learning and deep $Q$-learning. The work includes a detailed analysis of the limit order book and various types of market orders, which are key to understanding the dynamics of financial markets. We created a simulation environment for testing trading strategies, where we first implemented an agent on a simplified market using tabular $Q$-learning and deep $Q$-learning. The analysis of results showed the effectiveness of different approaches depending on environmental parameters. The developed agent was then adapted for trading on real crypto market data using technical indicators and more advanced neural network architectures. Experimental results show that strategies learned through deep reinforcement learning can successfully compete with traditional market-making approaches in various market conditions. globoko spodbujevalno učenje strategije ustvarjanja trga markovski proces odločanja Bellmanov operator nevronske mreže limitna knjiga naročil globoko $Q$-učenje hiperparametri tehnični indikatorji simulacijsko okolje deep reinforcement learning market-making strategies Markov deci- sion process Bellman operator neural networks limit order book deep $Q$-learning hyperparameters technical indicators simulation environment true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-10-09 08:15:05 2025-10-09 08:15:09 2025-11-28 03:48:47 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.42 155172 252311043 20609.pdf 20609.pdf 1 5A76131A867F54D49516BBCB3B0001CB c3a102a12eb7a09490a1147ea12f68998921c9d59282a61060c65fdef7b0d84c 126a4cd3-a4d7-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=219615 Fakulteta za matematiko in fiziko 0 0 0