prikaz prve stranice dokumenta Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
No public access
undergraduate thesis
Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. urn:nbn:hr:168:990226
Aleksić, Filip
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Aleksić, F. (2024). Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju (Undergraduate thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, Filip. "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, Filip. "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, F. (2024). 'Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju', Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 02 January 2025, https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić F. Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju [Undergraduate thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2024 [cited 2025 January 02] Available at: https://urn.nsk.hr/urn:nbn:hr:168:990226

F. Aleksić, "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju", Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:168:990226

Metadata
TitleModeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
Title (english)Modelling financial time series volatility based on supervised learning
AuthorFilip Aleksić
MentorStjepan Begušić (mentor)
Committee memberStjepan Begušić (predsjednik povjerenstva)
Committee memberLovre Mrčela (član povjerenstva)
Committee memberTessa Bauman (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2024-08-26, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Ovaj rad se bavi predikcijom volatilnosti i procjenom matrice kovarijance koristeći metode strojnog učenja. U uvodu je naglašena važnost razumijevanja i predviđanja volatilnosti financijskih instrumenata za investitore i financijske analitičare. Teorijska osnova uključuje objašnjenje volatilnosti, kovarijance, korelacije, beta koeficijenata i Markowitzove teorije portfelja. Metodologija rada opisuje prikupljanje i pripremu podataka, te primjenu različitih modela strojnog učenja, uključujući linearnu regresiju, slučajne šume, XGBoost i unaprijednu neuronsku mrežu. Rezultati pokazuju da modeli strojnog učenja, posebno XGBoost, mogu efikasno predvidjeti volatilnost i doprinijeti preciznijoj procjeni matrice kovarijance. Ovi modeli su evaluirani na osnovu njihove sposobnosti minimiziranja volatilnosti i maksimiziranja povrata portfelja. Zaključeno je da napredni modeli strojnog učenja imaju potencijal značajno poboljšati upravljanje portfeljima i donošenje investicijskih odluka.
Abstract (english)
This thesis deals with the prediction of volatility and the estimation of the covariance matrix using machine learning methods. The introduction highlights the importance of understanding and predicting the volatility of financial instruments for investors and financial analysts. The theoretical foundation includes explanations of volatility, covariance, correlation, beta coefficients, and Markowitz's portfolio theory. The methodology section describes data collection and preparation, and the application of various machine learning models, including linear regression, random forests, XGBoost, and a multilayer perceptron neural network. The results show that machine learning models, especially XGBoost, can effectively predict volatility and contribute to a more accurate estimation of the covariance matrix. These models are evaluated based on their ability to minimize volatility and maximize portfolio returns. The conclusion is that advanced machine learning models have the potential to significantly improve portfolio management and investment decision-making.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:990226
Study programmeTitle: Computing
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2024-10-12 19:57:57