Je bouwt een geautomatiseerde handelsagent die aanbeveelt hoeveel eenheden van een activum te kopen of verkopen en tegen welke prijs om de langetermijnopbrengsten te maximaliseren. De agent wordt continu getraind op streaming transactiedata. Welk type machine learning-algoritme is geschikt voor dit sequentiële besluitvormingsprobleem met langetermijnbeloningsoptimalisatie?

Reinforcement learning (RL) is de meest geschikte aanpak omdat het is ontworpen voor sequentiële besluitvormingsproblemen waarbij een agent leert optimale acties te nemen in een omgeving om een langetermijnbeloning te maximaliseren. In dit scenario moet de handelsagent beslissingen nemen (kopen/verkopen, prijs) die de toekomstige opbrengsten beïnvloeden, wat perfect aansluit bij het doel van RL. Supervised learning is minder geschikt omdat het afhankelijk is van gelabelde trainingsdata (input-output paren), wat moeilijk te verkrijgen is voor optimale handelsbeslissingen in de toekomst. Unsupervised learning richt zich op het vinden van patronen in ongelabelde data, niet op het optimaliseren van acties. Semi-supervised learning combineert elementen van beide, maar is nog steeds niet primair gericht op sequentiële besluitvorming met langetermijnbeloning.