Tehnička analiza financijskih podataka s ciljem predviđanja budućih vrijednosti

undergraduate thesis

• Title (english): Financial Data Technical Analysis for Predicting Future Values
• Author: Filip Pažanin
• Mentor: Alan Jović (mentor)
• Committee member: Alan Jović (predsjednik povjerenstva)
• Committee member: Nikolina Frid (član povjerenstva)
• Committee member: Igor Stančin (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2019-09-04, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

U okviru završnog rada ispitana je primjenjivost triju modela u svrhu analize i predviđanja financijskih vremenskih nizova. Dok se prvi model, ARIMA, bazira na jednostavnijim statističkim postupcima, druga dva modela su nešto složeniji, sadržavajući nadzirano odnosno potporno učenje. Analiza je provedena za 5 vrlo aktivnih dionica s Wall Streeta. Rad sadrži dva računalna modela koji konstruiraju vremenske nizove u trajanju od 20 dana na temelju podataka iz prošlosti. Spomenuti modeli dobivaju informacije na dnevnoj bazi te tako služe za dugoročna predviđanja. Treći model, koji implementira duboko Q-učenje, pokazuje nam kako bi nam računalo kojem predamo neki kapital u određenom okruženju te s određenim postavkama, moglo stvoriti novčanu dobit. U procesu stvaranja modela rađale su se brojne ideje za unapređenje sustava koje predlažemo kao budući rad.

Abstract (english)

This project analyzes the application of the tree models for the purpose of analysis and forecasting financial time series. While the first model, ARIMA, is based on simpler statistical procedures, the other two models are somewhat more complex, containing supervised and reinforcement learning. The analysis was conducted on 5 very active shares of Wall Street. This work contains two computational models that construct 20 day time series based on past data. These models get information on a daily basis and serve as the long-term prediction. The third model, implementing deep Q learning, shows that a computer in a particular environment and with certain settings could generate profit. During the process of the research, we got many ideas for the improvement of the models that could be made in further development.

• Keywords: Financijski vremenski nizovi; računalni modeli; dionice; ARIMA; LSTM; Q-učenje; normalizacija; evaluacija
• Keywords (english): Financial time series; computer modeling; stocks; ARIMA; LSTM; Q learning; data normalization; evaluation metrics
• Language: croatian
• URN:NBN: urn:nbn:hr:168:451195
• 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: 2020-01-07 21:08:29