Predviđanje vrijednosti financijskih podataka temeljeno na rekurentnim neuronskim mrežama

završni rad

• Naslov (engleski): Prediction of Financial Data Values based on Recurrent Neural Networks
• Autor: Matej Luburić
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Nikolina Frid (član povjerenstva)
• Član povjerenstva: Igor Stančin (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-09-04, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu obrađena je analiza financijskih podataka pomoću neuronske mreže
koja koristi ćelije s dugom kratkoročnom memorijom (engl. long short-term memory,
LSTM). Detaljno su objašnjene tri vrste rekurentnih neuronskih mreža: osnovna rekurentna
neuronska mreža (RNN), LSTM i propusna povratna ćelija (engl. gated recurrent
unit, GRU). Objašnjena je prednost ćelija LSTM i GRU naspram jednostavne
RNN zbog rješavanja problema eksplodirajućeg i nestajućeg gradijenta. Prikazani su
dobiveni rezultati i njihova interpretacija pomoću srednje apsolutne postotne pogreške,
Pearsonovog koeficijenta i Theilovog koeficijenta U.

Sažetak (engleski)

This paper deals with the processing of financial data using a long short-term memory
(LSTM). Three types of recurrent neural networks are explained in detail: the
simple recurrent neural network (RNN), LSTM and the gated recurrent unit (GRU).
The advantage of LSTM and GRU over simple RNN due to solving the problem of
exploding and vanishing gradient is explained. The obtained results and their interpretation
are presented using the mean absolute percentage error (MAPE), Pearson’s
coefficient and Theil’s U coefficient.

• Ključne riječi: strojno učenje; rekurentne neuronske mreže; predviđanje; financije; LSTM; GRU
• Ključne riječi (engleski): machine learning; recurrent neural network (RNN); prediction; finance; LSTM; GRU
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:345886
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 09:18:48