Usporedba performansi algoritama strojnog učenja u cilju vrednovanja financijske imovine na američkom tržištu kapitala

diplomski rad

• Naslov (engleski): Performance comparison of machine learning algorithms for pricing financial assets in the US capital market
• Autor: Mate Pavelić
• Mentor: Petra Posedel Šimović (mentor)
• Član povjerenstva: Zvonko Kostanjčar (član povjerenstva)
• Član povjerenstva: Stjepan Šebek (član povjerenstva)
• Član povjerenstva: Petra Posedel Šimović (predsjednik povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

Algoritmi strojnog učenja moćan su alat u financijama za izradu predikcija kretanja cijena dionica i konstrukciju portfelja. U ovome radu napravljena je analiza tri algoritma primijenjenih na povijesne podatke s američkog dioničkog tržišta u svrhu određivanja budućih cijena dionica. Korišteni su OLS, LASSO i Random Forest algoritmi. U predikcijskim performansama kao i u konstrukciji portfelja dominira algoritam Random Forest. Konstruirane su dvije vrste portfelja: long-short i long-only.

Sažetak (engleski)

Machine learning algorithms are a powerfull tool to use in finance to make predictions for future stock price movements and portfolio construction. In this paper we conduct an analysis of three algorithms applied on historic dana from american stock market in order to predict future stock prices. Used algorithms were OLS, LASSO and Random Forest. Regarding predictive performance as well as portfolio construction, Random Forest algorithm was shown to be the best. Two types of portfolios were constructed: long-short and long-only.

• Ključne riječi: strojno učenje; vremenski niz; OLS; LASSO; Random Forest; portfelj; Sharpe omjer
• Ključne riječi (engleski): machine learning; time series; OLS; LASSO; Random Forest; portfolio; Sharpe ratio
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:481615
• Studijski program: Naziv: Informacijska i komunikacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 09:18:27