prikaz prve stranice dokumenta Strojno učenje za klasifikaciju financijskih vremenskih nizova
No public access
master's thesis
Strojno učenje za klasifikaciju financijskih vremenskih nizova
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:428995
Modrušan, Ivan
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Modrušan, I. (2022). Strojno učenje za klasifikaciju financijskih vremenskih nizova (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, Ivan. "Strojno učenje za klasifikaciju financijskih vremenskih nizova." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, Ivan. "Strojno učenje za klasifikaciju financijskih vremenskih nizova." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, I. (2022). 'Strojno učenje za klasifikaciju financijskih vremenskih nizova', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 29 June 2024, https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan I. Strojno učenje za klasifikaciju financijskih vremenskih nizova [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 June 29] Available at: https://urn.nsk.hr/urn:nbn:hr:168:428995

I. Modrušan, "Strojno učenje za klasifikaciju financijskih vremenskih nizova", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:428995

Metadata
TitleStrojno učenje za klasifikaciju financijskih vremenskih nizova
Title (english)Machine Learning for Financial Time Series Classification
AuthorIvan Modrušan
MentorZvonko Kostanjčar (mentor)
Committee memberZvonko Kostanjčar (predsjednik povjerenstva)
Committee memberDražen Jurišić (član povjerenstva)
Committee memberStjepan Begušić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-08, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
U sklopu rada su učeni modeli za predviđanje kretanja sastavnica tržišnog indeksa S&P 500. Opisani su osnovni koncepti strojnog učenja i teorijska podloga modela slučajnih šuma, potpuno povezane, konvolucijske i povratne neuronske mreže. Problem predviđanja je formiran kao klasifikacija tako da su modeli predviđali jednu od tri kategorije: rast, pad i stagnacija vrijednosti dionice. Kategorije su određene korištenjem metode trostruke granice i metode s fiksnom vremenskom udaljenosti. Osim podataka kretanja cijena dionica, modelima su dani i neki često korišteni indikatori za analizu tržišta. Podaci su zatim posloženi u prozore i modificirani tako da se modeli mogu učiti istovremeno s više dionica. Na kraju su uspoređene točnosti učenih modela i razlike povrata koji su ostvarili strategijom trgovanja. Prema rezultatima pokazano je da najbolje performanse za rješavanje ovakvog tipa problema postižu jednostavni modeli. Također, performanse modela su bile bolje kada su učeni podacima označenim metodom trostruke granice na kojima je i postignuta najveća profitabilnost i točnost korištenjem LSTM povratne neuronske mreže.
Abstract (english)
This thesis describes a way to use machine learning models for predicting the movement of stocks in the S&P 500 market index. The basic concepts of machine learning as well as theoretical basis of random forest, fully connected, convolutional and recurrent neural networks are described. The prediction problem was formed as a classification so that the models predicted one of three categories: growth, decline, and stagnation in the price of stock. Categories were determined using the triple barrier method and the fixed time horizon method. In addition to data of stock price movements, the models are given some frequently used indicators for market analysis. The data is then arranged in windows and modified so that models can be learned simultaneously with multiple stocks. Finally, the accuracy of the learned models and the differences in returns achieved by the trading strategy were compared. According to the results, it is shown that the best performance for solving this type of problem is achieved by simple models. Also, the performance of the models was better when they were fitted using data with labels created using triple barrier method. The highest profitability and accuracy was achieved using LSTM recurrent neural network.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:428995
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 09:34:22