prikaz prve stranice dokumenta Strojno učenje za vrednovanje slučajnih zahtjeva
Rad nije dostupan
diplomski rad
Strojno učenje za vrednovanje slučajnih zahtjeva
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:916331
Abramović, Hrvoje
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Abramović, H. (2022). Strojno učenje za vrednovanje slučajnih zahtjeva (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:916331

Abramović, Hrvoje. "Strojno učenje za vrednovanje slučajnih zahtjeva." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:916331

Abramović, Hrvoje. "Strojno učenje za vrednovanje slučajnih zahtjeva." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:916331

Abramović, H. (2022). 'Strojno učenje za vrednovanje slučajnih zahtjeva', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 19.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:916331

Abramović H. Strojno učenje za vrednovanje slučajnih zahtjeva [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 19.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:916331

H. Abramović, "Strojno učenje za vrednovanje slučajnih zahtjeva", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:916331

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:916331
Podaci o radu
NaslovStrojno učenje za vrednovanje slučajnih zahtjeva
Naslov (engleski)Machine Learning for Contingent Claims Pricing
AutorHrvoje Abramović
MentorZvonko Kostanjčar (mentor)
Član povjerenstvaZvonko Kostanjčar (predsjednik povjerenstva)
Član povjerenstvaDražen Jurišić (član povjerenstva)
Član povjerenstvaStjepan Begušić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2022-07-15, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Diplomski rad se bavi primjenom metoda strojnog učenja, točnije LSTM-ova, u svrhu vrednovanja opcija. Ideja je predvidjeti buduću volatilnost i onda provjeriti koje su opcije na tržištu krivo procijenjene gledajući njihovu impliciranu volatilnosti. Model je treniran nad povjesnim podacima S\&P 500 indeksa, te je uspio nadmašiti jednostavan heuristički pristup. Nadalje, model pokazuje najbolje rezultate kada mu se na ulaz, uz povijesnu volatilnost, dovedu i povrati. Pokazalo se i da model radi bolje predikcije nad dužim vremenskim okvirima, što je vjerojatno uzrokovano svojstvom volatilnosti da se dugoročno uvijek vraća na prosječnu vrijednost. Radom su obuhvaćeni i uvodi u opcije, vrednovanje opcija, volatilnost, strategije za trgovanje volatilnošću, te pregled raznih metoda strojnog učenja za vrednovanje opcija. Na kraju je predstavljen i kompletan model za trgovanje volatilnošću pomoću predikcija LSTM modela.
Sažetak (engleski)
This thesis explores the use of machine learning models, namely long-short term memory networks, in the context of option pricing. This is done by trying to forecast future realized volatility, and then determine which options in the market are overpriced or underpriced in terms of their implied volatility. An LSTM model was trained using the historical S\&P 500 data and managed to outperform a simple benchmark model based on historical volatility. It is also shown that the model performs best when returns are passed to the network alongside historical volatility. Furthermore, it is shown that the model performs better with longer forecasting horizon, probably due to the mean reverting property of volatility. Throughout the thesis, introductions to options, option pricing, volatility properties, and volatility trading strategies are presented, as well as an overview of different machine learning approaches used to price options. In the end, a volatility trading pipeline which employs the LSTM model’s prediction is presented, with a brief guideline for further development.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:916331
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-14 08:17:00