Modeliranje korelacija financijskih vremenskih nizova zasnovano na latentnim faktorima

undergraduate thesis

• Title (english): Modelling financial time series correlation based on latent factors
• Author: Mate Papak
• Mentor: Stjepan Begušić (mentor)
• Committee member: Stjepan Begušić (predsjednik povjerenstva)
• Committee member: Tessa Bauman (član povjerenstva)
• Committee member: Lovre Mrčela (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-10, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Ovaj završni rad istražuje problem procjene i predviđanja korelacijskih koeficijenata parova vremenskih nizova povrata financijskih imovina, s naglaskom na primjenu latentnih faktorskih modela. Ključna komponenta rada je razvoj algoritama za procjenu koeficijenata faktorskog modela iz povijesnih podataka, te primjena metoda strojnog učenja za predviđanje budućih vrijednosti tih koeficijenata. Poseban naglasak stavljen je na integraciju predviđenih matrica korelacije u matrice kovarijance financijskih vremenskih nizova, te na evaluaciju performansi različitih modela u kontekstu konstrukcije portfelja minimalne varijance. Rezultati pokazuju da kombiniranje koeficijenata faktorskog modela smanjuje predikcijske greške, ali ne poboljšava performanse portfelja minimalne varijance.

Abstract (english)

This thesis investigates the problem of estimating and predicting the correlation coefficients of pairs of time series returns of financial assets, with a focus on the application of latent factor models. A key component of the work is the development of algorithms for estimating factor model coefficients from historical data, and the application of machine learning methods to predict future values of these coefficients. Special emphasis is placed on integrating the predicted correlation matrices into covariance matrices of financial time series, and on evaluating the performance of different models in the context of constructing minimum variance portfolios. The results show that combining factor model coefficients reduces prediction errors, but does not improve the performance of minimum variance portfolios.

• Keywords: financijski vremenski nizovi; korelacija; latentni faktori; faktorski modeli; portfelj minimalne varijance; strojno učenje; Pearsonov koeficijent; klizeći prozori; koeficijenti faktorskog modela; linearna regresija
• Keywords (english): financial time series; correlation; latent factors; factor models; minimum variance portfolio; machine learning; Pearson's coefficient; rolling windows; factor model coefficients; linear regression
• Language: croatian
• URN:NBN: urn:nbn:hr:168:722699
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 21:45:28