prikaz prve stranice dokumenta Strojno učenje za klasifikaciju financijskih vremenskih nizova
Rad nije dostupan
diplomski rad
Strojno učenje za klasifikaciju financijskih vremenskih nizova
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:428995
Modrušan, Ivan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Modrušan, I. (2022). Strojno učenje za klasifikaciju financijskih vremenskih nizova (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, Ivan. "Strojno učenje za klasifikaciju financijskih vremenskih nizova." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, Ivan. "Strojno učenje za klasifikaciju financijskih vremenskih nizova." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan, I. (2022). 'Strojno učenje za klasifikaciju financijskih vremenskih nizova', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 17.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:428995

Modrušan I. Strojno učenje za klasifikaciju financijskih vremenskih nizova [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 17.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:428995

I. Modrušan, "Strojno učenje za klasifikaciju financijskih vremenskih nizova", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:428995

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:428995
Podaci o radu
NaslovStrojno učenje za klasifikaciju financijskih vremenskih nizova
Naslov (engleski)Machine Learning for Financial Time Series Classification
AutorIvan Modrušan
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 obrane2022-07-08, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:428995
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 09:34:22