Modeliranje zavisnosti financijskih vremenskih nizova zasnovano na grupiranju

završni rad

• Naslov (engleski): Financial Time Series Dependence Modelling Based on Clustering
• Autor: Damjan Grubelić
• Mentor: Zvonko Kostanjčar (mentor)
• Član povjerenstva: Zvonko Kostanjčar (predsjednik povjerenstva)
• Član povjerenstva: Stjepan Begušić (član povjerenstva)
• Član povjerenstva: Vanessa Keranović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-09-14, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Na tržištima s velikim brojem vrijednosnica nije trivijalno naći dobar portfelj. Grupiranje vrijednosnica na temelju njihovih povrata to može olakšati smanjujući dimenzionalnost i nudeći alate koji mogu pomoći u odabiru portfelja – primjerice matrica kovarijance temeljena na grupiranju za smanjenje šuma. U ovom završnom radu koristio sam Hierarchical clustering, k-means i k-medoids algoritme kako bih grupirao dnevne povrate 550 vrijednosnica s Russel 1000 indeksa i 797 vrijednosnica iz skupa NASDAQ tržišnih indeksa.Nakon usporedbe rezultata koristeći Calinski-Harabasz, Baker-Hubert gamma i Davies-Bouldin mjere kvalitete (na „out of sample“ podatcima), koristio sam grupiranje za izradu portfelja minimalne varijance koje sam potom i testirao.

Sažetak (engleski)

On the markets with a large number of securities finding the right portfolio is not a trivial task. Clustering the securities, based on their returns may make it easier by reducing the dimensionality as well as offering certain tools for choosing a portfolio like a clustering-based covariance matrix. In this thesis I used hierarchical, k-means and k-medoids clustering algorithms for grouping daily returns of 550 Russel 1000 and 797 NASDAQ Market index securities. After comparing the results using Calinski-Harabasz, Baker-Hubert gamma and Davies-Bouldin measures of quality - out of sample, I used the clusterings to build GMV portfolios that I then backtested.

• Ključne riječi: nenadzirano učenje; grupiranje financijskih vremenskih nizova; k-means; k-medoids; hijerarhijsko grupiranje; modeliranje tržišta
• Ključne riječi (engleski): unsupervised learning; financial time series clustering; k-means; k-medoids; hierarchical clustering; market modelling
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:110725
• 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 20:31:39