Previđanje cijene kretanja financijskih instrumenata optimizacijom performansi metoda strojnog učenja iz tokova podataka i metoda dubokog učenja

diplomski rad

• Naslov (engleski): Financial Price Data Prediction by Optimizing Stream-based Machine Learning Methods and Deep Learning Methods
• Autor: Mislav Križan
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Vlado Sruk (član povjerenstva)
• Član povjerenstva: Marin Golub (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-05, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Klasifikacija smjera kretanja cijene financijskih instrumenata je vrlo izazovno, ali jako zahvalno područje u slučaju pronalaska uspješne strategije. Cilj prezentiranih algoritama je klasifikacija kretanja cijene (rast ili pad) dionica u određenom trenutku s određenim vremenskim periodom razmaka između trenutne i nadolazeće cijene. Unutar rada predstavljene su neke osnovne informacije vezane uz financijske instrumente s naglaskom na dionice. Prikupljeni su podaci nekoliko dionica u nekoliko vremenskih koraka, te su dodani dodatni indikatori kako bi se poboljšala vjerojatnost točne klasifikacije. Na kraju se napravila međusobna usporedba performansi odabranih algoritama strojnog i dubokog učenja kroz više vremenskih intervala, na više dionica.

Sažetak (engleski)

Classifying the direction of price movements of financial instruments is a very challenging, but also a very lucrative area in case of finding a successful strategy. The goal of the presented algorithms is to classify the movement of prices (rise or fall) of a stock at a given time with a certain period of time between the current and the upcoming price. In this thesis, some basic information related to financial instruments is presented, with an emphasis on stocks. Data from several stocks and several time steps were collected, and additional indicators were added to improve the probability of accurate classification. Finally, the performance of the selected machine learning and deep learning algorithms was compared over several time intervals and on several stocks.

• Ključne riječi: klasifikacija; dionice; tok podataka; duboki modeli
• Ključne riječi (engleski): classification; stocks; streaming data; deep models
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:587630
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 09:12:11