Η τεχνητή νοημοσύνη αναδεικνύεται ως καταλύτης καινοτομίας σε πολλές βιομηχανίες και ιδιαίτερα στον τομέα των χρηματοοικονομικών. Η χρήση αλγορίθμων τεχνητής νοημοσύνης, όπως η ενισχυτική μάθηση, έχει μεταμορφώσει τον τρόπο που οι εταιρείες επενδύσεων αναλύουν και αξιοποιούν τα δεδομένα της αγοράς προκειμένου να βελτιώσουν τις στρατηγικές τους και να μεγιστοποιήσουν τις αποδόσεις τους. Με τη βοήθεια αυτών των τεχνολογιών, οι επενδυτές μπορούν να ελαχιστοποιήσουν τις επιπτώσεις του ανθρώπινου παράγοντα και να αποφεύγουν συναισθηματικές επιρροές που επηρεάζουν την κρίση τους.

Η ενισχυτική μάθηση αποτελεί ένα πολύτιμο εργαλείο στον τομέα των χρηματοοικονομικών, επιτρέποντας την ανάπτυξη ευφυών πρακτόρων που βελτιώνουν τη διαδικασία συναλλαγών και επενδύσεων. Η παρούσα εργασία διερευνά την εφαρμογή της ενισχυτικής μάθησης σε χρηματοοικονομικούς τομείς, όπως η αγοραπωλησία μετοχών. Στο πλαίσιο αυτό, αναπτύσσονται πράκτορες που βασίζονται στο Dueling Double Deep Q-Network (DDDQN) και αξιοποιούν ειδικά διαμορφωμένες συναρτήσεις επιβράβευσης, επιτρέποντας την ανάπτυξη προσαρμοσμένων τακτικών που ενισχύουν τη συνολική απόδοση και ανθεκτικότητα του επενδυτικού τους χαρτοφυλακίου.

Η μελέτη περιλαμβάνει τη σχεδίαση ενός περιβάλλοντος προσομοίωσης  που αναπαριστά την αγορά ενός χρηματιστηρίου, στο οποίο οι πράκτορες καλούνται να  αξιολογούν τις στρατηγικές τους με βάση την κερδοφορία, τη σταθερότητα και την αποτελεσματικότητα των αποφάσεών τους. Ιδιαίτερη έμφαση δίνεται στην συνάρτηση επιβράβευσης, η οποία καθοδηγεί τη διαδικασία εκμάθησης της στρατηγική που θα ακολουθούν οι πράκτορες κατά τη διάρκεια της εκπαίδευσής τους ώστε να μπορούν να εκτιμούν και αν χρειαστεί να αναπροσαρμόζουν τις τακτικές τους για να επιτύχουν καλύτερα αποτελέσματα.

Μέσω της εφαρμογής αυτών των τεχνικών, η εργασία αναδεικνύει τη σημασία της ενισχυτικής μάθησης στην αποδοτική διαχείριση και βελτιστοποίηση επενδυτικών στρατηγικών, προσφέροντας πρακτικά οφέλη για τη βελτίωση των αποτελεσμάτων στις συναλλαγές.

Artificial Intelligence is emerging as a catalyst for innovation in many industries, especially in the financial sector. The use of Artificial Intelligence algorithms, such as reinforcement learning, has transformed the way investment firms analyze and leverage market data to improve their strategies and maximize their returns. With the help of these technologies, investors can minimize the impact of human factors and avoid emotional influences that affect their judgment.

Reinforcement learning is a valuable tool in finance, enabling the development of intelligent agents that improve the trading and investment process. This paper explores the application of reinforcement learning in financial domains such as stock trading. In this context, agents based on the Dueling Double Deep Q-Network (DDDQN) are developed that exploit customized reward functions, enabling the development of customized tactics that enhance the overall performance and resilience of their investment portfolio.

The study involves the design of a simulation environment representing a stock market in which agents are asked to evaluate their strategies based on the profitability, stability and efficiency of their decisions. Particular emphasis is placed on reward functions, which guide the learning process of the strategy that agents will follow during their training so that they can evaluate and, if necessary, adjust their tactics to achieve better results.

Through the application of these techniques, the paper highlights the importance of reinforcement learning in the efficient management and optimization of investment strategies, offering practical benefits for improving trading results.