Smanjenje generalizacijske pogreške klasifikatora kroz augmentaciju trendova u financijskim vremenskim nizovima

master's thesis

• Title (english): Reducing classifier generalization error with trend augmentation in financial time series
• Author: Sven Skender
• Mentor: Zvonko Kostanjčar (mentor)
• Committee member: Zvonko Kostanjčar (predsjednik povjerenstva)
• Committee member: Tomislav Petković (član povjerenstva)
• Committee member: Stjepan Begušić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2025-02-27, Croatia

Abstract

Vrijednosti financijskih vremenskih nizova često osciliraju jer su pod utjecajem raznih faktora kao što su tržišni sentiment, ekonomske vijesti, geopolitički događaji, ponašanja investitora, itd.
Upravo zbog toga otežano je razlikovanje pravih trendova od kratkoročnih oscilacija. Pravovremeno prepoznavanje dugoročnih trendova može pozitivno utjecati na uprav-
ljanje pozicijama određene financijske imovine gdje za vrijeme rastućeg trenda želimo
otvoriti poziciju u toj imovini, dok za vrijeme padajućeg trenda želimo zatvoriti tu po-
ziciju. U svrhu rješavanja problema identifikacije dugoročnih trendova predloženo je
nekoliko različitih algoritama za definiranje trenda. U svrhu poboljšanja generalizacije
klasifikatora prilikom predviđanja budućih trendova, u ovom radu bavimo se augmen-
tacijom početnog skupa za treniranje korištenjem oznaka dobivenih iz različitih algori-
tama za označavanje.

Abstract (english)

Financial time series values ​​often fluctuate because they are influenced by various factors such as market sentiment, economic news, geopolitical events, investor behavior, etc. This makes it difficult to distinguish true trends from short-term fluctuations. Timely recognition of long-term trends can positively affect the management of positions in certain financial assets, where during an uptrend we want to open a position in that asset, while during a downtrend we want to close that position. In order to solve the problem of identifying long-term trends, several different algorithms for defining trends have been proposed. In order to improve the generalization of classifiers when predicting future trends, in this paper we deal with the augmentation of the initial training set using labels obtained from different labeling algorithms.

• Keywords: financijski vremenski nizovi; generalizacijska pogreška; klasifikacija; trendovi; algoritmi za označavanje; augmentacija
• Keywords (english): financial time series; generalization error; classification; trends; labeling algorithms; augmentation
• Language: croatian
• URN:NBN: urn:nbn:hr:168:039832
• 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: Open access
• Created on: 2025-03-12 11:18:10