prikaz prve stranice dokumenta Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja
No public access
master's thesis
Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:587630
Križan, Mislav
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Križan, M. (2022). Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:587630

Križan, Mislav. "Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:587630

Križan, Mislav. "Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:587630

Križan, M. (2022). 'Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 20 May 2024, https://urn.nsk.hr/urn:nbn:hr:168:587630

Križan M. Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 May 20] Available at: https://urn.nsk.hr/urn:nbn:hr:168:587630

M. Križan, "Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:587630

Metadata
TitlePreviđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja
Title (english)Financial Price Data Prediction by Optimizing Stream-based Machine Learning Methods and Deep Learning Methods
AuthorMislav Križan
MentorAlan Jović (mentor)
Committee memberAlan Jović (predsjednik povjerenstva)
Committee memberVlado Sruk (član povjerenstva)
Committee memberMarin Golub (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Klasifikacija smjera kretanja cijene financijskih instrumenata je vrlo izazovno, ali jako zahvalno područje u slučaju pronalaska uspješne strategije. Cilj prezentiranih algoritama je klasifikacija kretanja cijene (rast ili pad) dionica u određenom trenutku s određenim vremenskim periodom razmaka između trenutne i nadolazeće cijene. Unutar rada predstavljene su neke osnovne informacije vezane uz financijske instrumente s naglaskom na dionice. Prikupljeni su podaci nekoliko dionica u nekoliko vremenskih koraka, te su dodani dodatni indikatori kako bi se poboljšala vjerojatnost točne klasifikacije. Na kraju se napravila međusobna usporedba performansi odabranih algoritama strojnog i dubokog učenja kroz više vremenskih intervala, na više dionica.
Abstract (english)
Classifying the direction of price movements of financial instruments is a very challenging, but also a very lucrative area in case of finding a successful strategy. The goal of the presented algorithms is to classify the movement of prices (rise or fall) of a stock at a given time with a certain period of time between the current and the upcoming price. In this thesis, some basic information related to financial instruments is presented, with an emphasis on stocks. Data from several stocks and several time steps were collected, and additional indicators were added to improve the probability of accurate classification. Finally, the performance of the selected machine learning and deep learning algorithms was compared over several time intervals and on several stocks.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:587630
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-14 09:12:11