Optimizacija Sharpeovog omjera portfelja korištenjem modela dubokog učenja

diplomski rad

• Naslov (engleski): Optimizing portfolio sharpe ratio using deep learning models
• Autor: Luka Lukačević
• Mentor: Zvonko Kostanjčar (mentor)
• Član povjerenstva: Zvonko Kostanjčar (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Član povjerenstva: Stjepan Begušić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2025-02-27, Hrvatska

Sažetak

Ovaj rad predstavlja problem optimizacije portfelja, te rješenje tog problema kroz tra-
dicionalne pristupe i pristup temeljen na dubokom učenju. Najprije je rješenje problema
optimizacije portfelja predstavljeno kroz dvije temeljne metode: mean-variance optimi-
zacija, temeljena na Markowitzevom okviru moderne teorije portfelja, i maksimalna di-
verzifikacija, koja ima za cilj konstruirati portfelje s najvećim omjerom diverzifikacije.
Nakon detaljnog uvida u ove strategije, istražena je primjena dubokog učenja u optimi-
zaciji portfelja, usredotočujući se na LSTM mreže. Model temeljen na LSTM-u uči iz
povijesnih podataka kako bi ostvario optimalne udjele imovina unutar portfelja, s ciljem
maksimizacije Sharpeovog omjera. Implementirani model ispitan je na povijesnim tržiš-
nim podacima, uspoređujući njegovu izvedbu s referentnim pristupima mean-variance i
maksimalne diverzifikacije.

Sažetak (engleski)

This paper presents the problem of portfolio optimization, and the solution to that
problem through traditional approaches and an approach based on deep learning. First
is the solution to the problem portfolio optimization presented through two basic meth-
ods: mean-variance optimization, based on Markowitz’s framework of modern portfo-
lio theory, and maximum diversification, which aims to construct portfolios with the
highest diversification ratio. After a detailed examination of these strategies, the appli-
cation of deep learning in portfolio optimization was explored, with a focus on LSTM
networks. An LSTM-based model learns from historical data to determine optimal asset
allocations within the portfolio, aiming to maximize the Sharpe ratio. The implemented
model was tested on the historical market data, comparing its performance with refer-
ence approaches of mean-variance and maximum diversification.

• Ključne riječi: optimizacija portfelja; mean-variance optimizacija; maksimalna diverzifikacija; duboko učenje; LSTM
• Ključne riječi (engleski): portfolio optimization; mean-variance optimization; maximum diversification; deep learning; LSTM
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:300317
• 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: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-03-12 11:12:43