در بازارهای نو ظهور همچون بازار بورس اوراق بهادار تهران، به دلیل وجود گپ، فاصله ای بین سیگنال تغییر قیمت و تغییر قیمت وجود دارد که می توان از آنها به کمک سیستم های معاملات الگوریتمی بهره گرفت. ارائه ی یک سیستم معاملاتی با تکرار بالا دارای مزایا (استفاده از نواسانات درون روزی) و معایبی (حجم بالای معاملات و در نتیجه هزینه ی بالای معاملاتی) می باشد که با طراحی درست آن می تواند مزایای آن را افزایش و معایب آن را کنترل کرد. در این پژوهش رویکرد استفاده از معامله گران داخلی به منظور پیش بینی روند آتی سهم و بهره گیری از روش یادگیری تقویتی به منظور مدیریت پویای سبد سهام ارائه می گردد. بر اساس رویکرد معامله گران داخلی، به ازای هر سهم، یک معامله گر داخلی (یک عامل) که متخصص آن سهم می باشد، بر اساس داده های درون روزی و با کمک اطلاعات اندیکاتورهای تحلیل تکنیکال به پیش بینی روند سهم می پردازد و هدف آن تعیین میزان خریدنی، فروختی و یا نگهداشتنی بودن آن سهم می باشد. در این پژوهش 2 مدل بر پایه ی معامله گران داخلی ارائه می شود. مدل اول با بهره گیری از پیشنهادات معامله گران داخلی اقدام به معامله با مقدار ثابت می کند. مدل دوم که به نوعی یک مدل بسط داده شده از مدل اول می باشد، به کمک روش یادگیری تقویتی و با بهره گیری از پیشنهادات معامله گران داخلی اقدام به مدیریت پویای سبدی از سهام می-کند. نتایج مدل اول بر روی بورس اوراق بهادار تهران نشان از عملکرد بهتر این مدل نسبت به سازوکار خرید و نگهداری در هر سه نوع بازار (صعودی، نزولی و نرمال) حتی با در نظر گرفتن هزینه کامل معاملاتی دارد. اما نتایج عملکرد مدل دوم در شرایط معامله با هزینه کامل معاملاتی بهتر از سازوکار خرید و نگهداری نبوده است. بطور کلی در شرایط بدون در نظر گرفتن هزینه معاملاتی، هر دو مدل ارائه شده عملکردی بهتر از سازوکار خرید و نگهداری در هر سه نوع بازار دارند.