A tőzsdei kereskedés nagy részét manapság automatizált algoritmusok végzik, amik főképp a nagymennyiségű múltbeli adatok kvantitatív elemzése alapján állapít meg összefüggéseket a piacon, aminek falhasználásával kereskedik. Az algoritmusok komplexitásukban igen változatosak lehetnek, a mai gyakorlatban leggyakrabban gépi tanulási módszereket alkalmaznak. Ezen módszereknek egy válfaja az ún. felügyelt tanulás, aminek során a gép címkézett adatok alapján végzi a tanulást. Bizonyos feladatok esetén a címkézés egyértelmű, azonban tőzsdei kereskedés esetén az adatok címkézésében igen nagy szabadság mutatkozik, aminek egyértelmű hatása van arra, hogy a gépi tanulási algoritmus felismerje a kedvező kereskedési szituációkat. Az E-Group ICT Software Zrt.-nél egy kvantitatív kereskedési platform került kifejlesztésre, a hallgató feladata, hogy a platformhoz illeszthető címkézési eljárásokat dolgozzon ki, különös tekintettel a többosztályos (>2) címkézésre, illetve a kétszintes címkézési lehetőségekre. Tekintse át a témához tartozó irodalmat és implementálja a legígéretesebb algoritmusokat. Az implementációt tesztelje az E-Group által összegyűjtött nagymennyiségű historikus adathalmazon, majd kereskedési platformhoz illesztés után lehetőség van élő demó kereskedésben (paper trading) kipróbálnia.