Sie entwickeln einen automatisierten Handelsagenten, der empfiehlt, wie viele Einheiten eines Assets zu welchem Preis gekauft oder verkauft werden sollen, um langfristige Renditen zu maximieren. Der Agent wird kontinuierlich mit Streaming-Transaktionsdaten trainiert. Welcher Typ von Machine-Learning-Algorithmus ist für dieses sequentielle Entscheidungsproblem mit langfristiger Belohnungsoptimierung geeignet?

Bestärkendes Lernen (Reinforcement Learning) ist die beste Wahl, da es darauf ausgelegt ist, sequentielle Entscheidungsprobleme zu lösen, bei denen ein Agent Aktionen in einer Umgebung ausführt, um langfristige Belohnungen zu maximieren. Im Kontext eines Handelsagenten lernt der Agent durch Versuch und Irrtum, welche Kauf- und Verkaufsentscheidungen (Aktionen) zu den höchsten Renditen (Belohnungen) führen, basierend auf den Streaming-Transaktionsdaten (Umgebung). Überwachtes Lernen wäre ungeeignet, da es gelabelte Daten für die Vorhersage benötigt und nicht für die Optimierung langfristiger Belohnungen in einer dynamischen Umgebung konzipiert ist. Unüberwachtes Lernen konzentriert sich auf das Finden von Mustern in ungelabelten Daten und ist nicht für Entscheidungsfindung geeignet. Semi-überwachtes Lernen kombiniert gelabelte und ungelabelte Daten, ist aber ebenfalls nicht primär für sequentielle Entscheidungsfindung und Belohnungsmaximierung ausgelegt.