Reinforcement Learning in Finanza In questa tesi si analizza come gli algoritmi di Reinforcement Learning si comportano nel caso di problemi applicati alla finanza; in particolare problemi di trading ad alta frequenza sui mercati finanziari . Sono analizzati algoritmi di reinforcement learnig model free in cui non è necessario conoscere come sia modelizzato l'ambiente circostante per ottenere la politica ottimale, ma lo spazio degli stati e lo spazio delle azioni, sono sufficienti per raggiungere quest'ultima. Sono sviluppati due differenti algoritmi, la value iteration e il Q-Learning, con in aggiunta la sua variante epsilon-QLearning. Il primo è possibile applicarlo sia nel caso di spazio degli stati discreto sia nel caso di spazio degli stati continuo; per quanto riguarda il secondo si analizza solo il caso di spazio degli stati discreto.