Application of machine learning methods in stochastic programming

Kozmík, Karel

Využití stochastického programování v metodách strojového učení

dc.contributor.advisor	Kopa, Miloš
dc.creator	Kozmík, Karel
dc.date.accessioned	2025-03-21T09:09:30Z
dc.date.available	2025-03-21T09:09:30Z
dc.date.issued	2025
dc.identifier.uri	http://hdl.handle.net/20.500.11956/197591
dc.description.abstract	This dissertation explores the application of machine learning methods in stochastic programming, with a primary focus on portfolio optimization. The first part investigates robust portfolio optimization with second-order stochastic dominance constraints, where uncertainty in return distributions is handled using a robust approach based on worst- case distribution modeling. The second part addresses parameter calibration in portfolio optimization models by employing machine learning techniques, specifically XGBoost, to predict optimal values that enhance out-of-sample performance. In the third part, a reinforcement learning framework is introduced for dynamic scenario tree structure selec- tion in multistage portfolio optimization, allowing adaptive representation of uncertainty. Finally, the fourth part applies multivariate probabilistic forecasting to electricity prices in the UK's day-ahead market, developing a risk-adjusted trading strategy that lever- ages price dependencies between multiple exchanges. Collectively, these contributions demonstrate the potential of integrating machine learning with stochastic programming to improve decision-making under uncertainty.	en_US
dc.description.abstract	Tato disertační práce zkoumá aplikaci metod strojového učení ve stochastickém pro- gramování, zejména se zaměřením na optimalizaci portfolia. První část se věnuje robustní optimalizaci portfolia s využitím stochastické dominance druhého řádu, přičemž nejistota v rozděleních výnosů je řešena modelováním nejhoršího možného rozdělení. Druhá část se zabývá kalibrací parametrů v modelech optimalizace portfolia za použití technik strojo- vého učení, konkrétně modelu XGBoost, k predikci optimálních hodnot vstupních para- metrů, které maximalizují výkonnost portfolia na datech mimo trénovací vzorek. Ve třetí části je představeno využití metod zpětnovazebného učení pro dynamický výběr struk- tury scénářového stromu ve vícestupňové optimalizaci portfolia, což umožňuje adaptivní reprezentaci nejistoty. Čtvrtá část se zaměřuje na mnohorozměrnou pravděpodobnostní predikci cen elektřiny na britském denním trhu a představuje obchodní strategii založenou na střední hodnotě a CVaR metrice rizika, která využívá cenové závislosti mezi několika burzami. Tyto příspěvky ukazují potenciál integrace strojového učení se stochastickým programováním pro zlepšení rozhodování za nejistoty.	cs_CZ
dc.language	English	cs_CZ
dc.language.iso	en_US
dc.publisher	Univerzita Karlova, Matematicko-fyzikální fakulta	cs_CZ
dc.subject	Optimalizace\|stochastické programování\|strojové učení	cs_CZ
dc.subject	Optimization\|stochastic programming\|machine learning	en_US
dc.title	Application of machine learning methods in stochastic programming	en_US
dc.type	dizertační práce	cs_CZ
dcterms.created	2025
dcterms.dateAccepted	2025-02-28
dc.description.department	Department of Probability and Mathematical Statistics	en_US
dc.description.department	Katedra pravděpodobnosti a matematické statistiky	cs_CZ
dc.description.faculty	Matematicko-fyzikální fakulta	cs_CZ
dc.description.faculty	Faculty of Mathematics and Physics	en_US
dc.identifier.repId	212931
dc.title.translated	Využití stochastického programování v metodách strojového učení	cs_CZ
dc.contributor.referee	Moriggia, Vittorio
dc.contributor.referee	Tichý, Tomáš
thesis.degree.name	Ph.D.
thesis.degree.level	doktorské	cs_CZ
thesis.degree.discipline	Probability and statistics, econometrics and financial mathematics	en_US
thesis.degree.discipline	Pravděpodobnost a statistika, ekonometrie a finanční matematika	cs_CZ
thesis.degree.program	Probability and statistics, econometrics and financial mathematics	en_US
thesis.degree.program	Pravděpodobnost a statistika, ekonometrie a finanční matematika	cs_CZ
uk.thesis.type	dizertační práce	cs_CZ
uk.taxonomy.organization-cs	Matematicko-fyzikální fakulta::Katedra pravděpodobnosti a matematické statistiky	cs_CZ
uk.taxonomy.organization-en	Faculty of Mathematics and Physics::Department of Probability and Mathematical Statistics	en_US
uk.faculty-name.cs	Matematicko-fyzikální fakulta	cs_CZ
uk.faculty-name.en	Faculty of Mathematics and Physics	en_US
uk.faculty-abbr.cs	MFF	cs_CZ
uk.degree-discipline.cs	Pravděpodobnost a statistika, ekonometrie a finanční matematika	cs_CZ
uk.degree-discipline.en	Probability and statistics, econometrics and financial mathematics	en_US
uk.degree-program.cs	Pravděpodobnost a statistika, ekonometrie a finanční matematika	cs_CZ
uk.degree-program.en	Probability and statistics, econometrics and financial mathematics	en_US
thesis.grade.cs	Prospěl/a	cs_CZ
thesis.grade.en	Pass	en_US
uk.abstract.cs	Tato disertační práce zkoumá aplikaci metod strojového učení ve stochastickém pro- gramování, zejména se zaměřením na optimalizaci portfolia. První část se věnuje robustní optimalizaci portfolia s využitím stochastické dominance druhého řádu, přičemž nejistota v rozděleních výnosů je řešena modelováním nejhoršího možného rozdělení. Druhá část se zabývá kalibrací parametrů v modelech optimalizace portfolia za použití technik strojo- vého učení, konkrétně modelu XGBoost, k predikci optimálních hodnot vstupních para- metrů, které maximalizují výkonnost portfolia na datech mimo trénovací vzorek. Ve třetí části je představeno využití metod zpětnovazebného učení pro dynamický výběr struk- tury scénářového stromu ve vícestupňové optimalizaci portfolia, což umožňuje adaptivní reprezentaci nejistoty. Čtvrtá část se zaměřuje na mnohorozměrnou pravděpodobnostní predikci cen elektřiny na britském denním trhu a představuje obchodní strategii založenou na střední hodnotě a CVaR metrice rizika, která využívá cenové závislosti mezi několika burzami. Tyto příspěvky ukazují potenciál integrace strojového učení se stochastickým programováním pro zlepšení rozhodování za nejistoty.	cs_CZ
uk.abstract.en	This dissertation explores the application of machine learning methods in stochastic programming, with a primary focus on portfolio optimization. The first part investigates robust portfolio optimization with second-order stochastic dominance constraints, where uncertainty in return distributions is handled using a robust approach based on worst- case distribution modeling. The second part addresses parameter calibration in portfolio optimization models by employing machine learning techniques, specifically XGBoost, to predict optimal values that enhance out-of-sample performance. In the third part, a reinforcement learning framework is introduced for dynamic scenario tree structure selec- tion in multistage portfolio optimization, allowing adaptive representation of uncertainty. Finally, the fourth part applies multivariate probabilistic forecasting to electricity prices in the UK's day-ahead market, developing a risk-adjusted trading strategy that lever- ages price dependencies between multiple exchanges. Collectively, these contributions demonstrate the potential of integrating machine learning with stochastic programming to improve decision-making under uncertainty.	en_US
uk.file-availability	V
uk.grantor	Univerzita Karlova, Matematicko-fyzikální fakulta, Katedra pravděpodobnosti a matematické statistiky	cs_CZ
thesis.grade.code	P
uk.publication-place	Praha	cs_CZ
uk.thesis.defenceStatus	O