Department of Pattern Recognition

(eng): The article describes a formal approach to decision making optimization in commodity futures markets. We try to plan optimal decision at a given time to trade in the market. We use dynamic programming with loss function equal to the negative profit, where we estimate the PDFs of parameters using Bayesian learning. Parametrized models are chosen from exponential family and trading costs (slippage and commission) are taken into account. We support the theoretical results by a series of experiments.

(cze): Článek popisuje formální přístup k optimalizaci rozhodování na komoditních trzích. Cílem je nalézt optimální pravidlo pro nákup/prodej při znalosti minulých cen. Rozhodování se provádí za pomoci dynamického programování, kde ztrátová funkce je zisk v trhu se záporným znaménkem. Pro modelování používáme modely s hustotou pravděpodobnosti z exponenciální rodiny, hustoty pravděpodobnosti parametrů získáváme metodou bayesovského učení. Započteny jsou transakční náklady(slippage a commission). Teoretický úvod je doplněn sérií pokusů.