Procjena latentnih faktora u financijskim vremenskim nizovima zasnovana na strojnom učenju

diplomski rad

• Naslov (engleski): Estimation of latent factors in financial time series based on machine learning
• Autor: Ivan Linardić
• Mentor: Stjepan Begušić (mentor)
• Član povjerenstva: Stjepan Begušić (predsjednik povjerenstva)
• Član povjerenstva: Marko Subašić (član povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-16, Hrvatska

Sažetak

Rizik u financijama predstavlja varijabilnost imovine u portfelju. Modelira ga se kovarijacijskom matricom povrata koja uz to pruža informacije o međuodnosu imovine. Poželjno je znati kakva će biti kovarijacijska matrica u budućnosti kako bi se znalo modelirati budući rizik. U financijskim vremenskim nizovima postoje zajednički latentni faktori povrata koji su opisani faktorskim modelom. Procjenom budućih faktora moguće je rekonstruirati buduću kovarijancu imovine što je korisno u upravljanju rizikom i optimizaciji portfelja. Glavna ideja ovog rada je istražiti mogu li različiti modeli strojnog učenja procijeniti buduće latentne faktore iz dostupnih podataka i usporediti njihove rezultate. Najboljim procjeniteljima pokazale su se neuronske mreže i povijesne tržišne bete.

Sažetak (engleski)

In the finances risk represents the variability of the assets in a portfolio. It is modeled by the covariance matrix of returns which also gives information about the relation between the assets. It is desirable to know the value of the future covariance matrix so one could know how to model the future risk. There are common latent factors in the financial time series data that are described by the factor model. By the estimation of the future factors it is possible to reconstruct the future covariance matrix of the assets which is useful in the risk management and portfolio optimization. The main idea of this paper is to conduct a research if different machine learning models can estimate future latent factors using the available data and to compare their results. Neural networks and historical market betas showed to be the best estimators.

• Ključne riječi: latentni faktori; kovarijanca; modeli strojnog učenja
• Ključne riječi (engleski): latent factors; covariance; machine learning models
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:382453
• 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: 2024-10-12 21:19:11