Metoda određivanja težina primjera temeljena na povratu za klasifikaciju financijskih vremenskih nizova

master's thesis

• Title (english): Method for Return-based Sample Weighting in Financial Time Series Classification
• Author: Mirko Džaja
• Mentor: Zvonko Kostanjčar (mentor)
• Committee member: Zvonko Kostanjčar (predsjednik povjerenstva)
• Committee member: Marko Subašić (član povjerenstva)
• Committee member: Stjepan Begušić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-02-29, Croatia

Abstract

U klasifikaciji financijskih vremenskih nizova, pravilno dodjeljivanje težina uzorcima ključno je kako bi se istaknula važnost specifičnih događaja, a time smanjila pristranost i prenaučenost klasifikatora. Klasične metode, poput uravnotežavanja klasa, mogu previdjeti ključne karakteristike financijskih podataka. Također, vremensko otežavanje primjera zanemaruje periodičnost financijskih nizova. S druge strane, metode temeljene na povratu financijske imovine uzimaju u obzir specifičnosti financijskih podataka, povećavajući otpornost klasifikatora na šum. Uz popularne metode označavanja trenda, arhitekture klasifikatora i inženjerstva značajki, ovaj rad pruža pregled postojećih pristupa dodjele težina uzorcima i predstavlja dvije nove metode temeljene na povratu pozicija. Usporedba i testiranje raznih klasifikatora koristeći povijesne cijene različitih financijskih imovina ukazuju da informacija o povratu pozicija, u određenim slučajevima, može rezultirati boljim klasifikacijskim i financijskim metrikama.

Abstract (english)

In the financial time series classification, properly assigning weights to samples is essential for highlighting the significance of specific events while mitigating classifier bias and overfitting. Traditional methods, such as class balancing, can overlook key characteristics of financial data. Furthermore, time-weighting examples neglect the periodicity of financial series. Conversely, return-based weighting methods consider financial data specifics, enhancing the classifier’s ability to handle noise and outliers. Alongside popular methods of trend labeling, classifier architectures, and feature engineering, this paper provides an overview of existing approaches to sample weight and introduces two new methods based on the return of the positions. The comparison and testing of various classifiers using historical prices of different financial assets suggest that information about the return of positions can, in certain cases, result in better classification and financial metrics.

• Keywords: financijski vremenski nizovi; neuronske mreže; otežavanje primjera; predviđanje trenda; povijesno testiranje; unakrsna provjera
• Keywords (english): financial time series; neural networks; sample weighting; trend predic- tion; backtesting; cross-validation
• Language: croatian
• URN:NBN: urn:nbn:hr:168:354086
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-03-28 07:45:52