prikaz prve stranice dokumenta Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
Rad nije dostupan
završni rad
Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:990226
Aleksić, Filip
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Aleksić, F. (2024). Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, Filip. "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, Filip. "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić, F. (2024). 'Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 04.01.2025., https://urn.nsk.hr/urn:nbn:hr:168:990226

Aleksić F. Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 04.01.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:990226

F. Aleksić, "Modeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:990226

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:990226
Podaci o radu
NaslovModeliranje volatilnosti financijskih vremenskih nizova zasnovano na nadziranom učenju
Naslov (engleski)Modelling financial time series volatility based on supervised learning
AutorFilip Aleksić
MentorStjepan Begušić (mentor)
Član povjerenstvaStjepan Begušić (predsjednik povjerenstva)
Član povjerenstvaLovre Mrčela (član povjerenstva)
Član povjerenstvaTessa Bauman (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-08-26, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:990226
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 19:57:57