Автором дисертації запропоновано метод адаптації структури технічних індикаторів до поточного стану біржового ринку з подальшим формуванням стратегій трейдингової інтелектуальної системи, що базується на використанні комбінованого RL-навчання та генетичних аліоритмів. Модифіковано метод нейромережевої апроксимації Q-функцій RL-алгоритму, що дозволяє
здійснювати корекцію конфігурації апроксимуючого багатошарового персептрону. Удосконалено структуру моделі прогнозування, алгоритм навчання якої базується на застосуванні нейромережевого фільтра-предиктора, що на відміну від існуючих забезпечує високу швидкодію та якість прогнозів в умовах нестаціонарності та невизначеності. Запропонована модель може бути використана для прогнозування тренду сигналів підкріплення при інтелектуальному керуванні динамічними об'єктами. Розроблені методи було програмно реалізовано та використано для ряду практичних впроваджень.