Im Rahmen des Projekts wurde ein Prototyp auf der Grundlage von Verstärkungslernen (Reinforcement Learning, RL) für die Replikation von Finanzindizes entwickelt, der die Fähigkeit zur Nachbildung von Aktien- und Private-Equity-Indizes unter Verwendung liquider Instrumente demonstriert. Zu den wichtigsten Ergebnissen gehören:

Dual-Objective Reward Framework: Ausgewogene Indexnachbildung mit minimalem Tracking Error.

Auswahl und Validierung von Algorithmen: Testen und Optimieren von Deep-RL-Modellen hinsichtlich ihrer Leistung.

Docker-basierter Prototyp: Sicherstellung der Reproduzierbarkeit und Skalierbarkeit für weitere Forschung.

Anwendung auf Private-Equity-Indizes: Untersuchung der Machbarkeit von RL für die Replikation illiquider Vermögenswerte.

Die Ergebnisse bestätigen das Potenzial von RL für die dynamische Replikation von Indizes. Zukünftige Verbesserungen konzentrieren sich auf die Integration von Echtzeitdaten, die Abstimmung von Parametern und breitere Marktanwendungen.

Das Projekt untersuchte den Einsatz von Reinforcement Learning (RL) zur Nachbildung von Finanzindizes bei gleichzeitiger Minimierung des Tracking Error. Es wurde ein Prototyp entwickelt, der tiefe RL-Algorithmen anwendet, um Aktien- und Private-Equity-Indizes unter Verwendung liquider Instrumente wie Futures auf Aktien, festverzinsliche Wertpapiere, Devisen und Rohstoffe zu verfolgen.

Zu den wichtigsten Errungenschaften gehören ein dual-objektiver Belohnungsrahmen, eine Docker-basierte Testumgebung und erfolgreiche Backtests, die die Machbarkeit belegen. Die Ergebnisse unterstreichen das Potenzial von RL für die Indexreplikation und ebnen den Weg für weitere Verfeinerungen, Parameterabstimmungen und die Implementierung in der Praxis.