Reinforcement Learning for Optimal Execution in Foreign-Exchange Markets
Vi människor lär oss mycket genom att prova oss fram. När vi märker att något fungerar bra, gör vi det igen och när något går dåligt, försöker vi undvika det i framtiden. Förstärkningsinlärning handlar om att ta inspiration från hur människor lär sig genom att interagera med sin omgivning. När en enskild person växlar pengar, till exempel inför en semester, påverkar det inte växelkursen nämnvärt.This thesis investigates the suitability of reinforcement learning (RL) for solving the optimal execution problem in financial trading. It evaluates the strengths, limitations, and practical considerations of applying RL techniques to this task. Several RL algorithms were implemented and tested, including Double Deep Q-Network (Double DQN) and Proximal Policy Optimization (PPO), both of which achi
