Napredna pretraga

Pregled bibliografske jedinice broj: 951501

Primjena metoda strojnog učenja u predviđanju kretanja vrijednosti burzovnog indeksa


Botunac, Ive
Primjena metoda strojnog učenja u predviđanju kretanja vrijednosti burzovnog indeksa 2018., diplomski rad, diplomski, Odjel za ekonomiju, Zadar


Naslov
Primjena metoda strojnog učenja u predviđanju kretanja vrijednosti burzovnog indeksa
(Applying machine learning methods to predict the movement of stock market index)

Autori
Botunac, Ive

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Odjel za ekonomiju

Mjesto
Zadar

Datum
16.07

Godina
2018

Stranica
58

Mentor
Peša, Anita

Neposredni voditelj
Panjkota, Ante

Ključne riječi
Predviđanja na tržištima kapitala, povratne neuronske mreže, tehnička analiza, sentimentanaliza
(Stock markets forecast, recurrent neural network, technical analysis, sentiment analysis)

Sažetak
Predviđanja na tržištu kapitala jedan su od izazova kako za trgovce tako i za istraživače zbog svoje nelinearne i nestabilne strukture. S razvojem računalnih znanosti i informacijskih tehnologija nastaju novi pristupi temeljeni na strojnom učenju za poboljšanje procesa vezanih za trgovanja na tržištu kapitala. Ove nove metode prvenstveno su vezane za razvoj modela za predviđanje trendova pojedinih dionica ili burzovnih indeksa. U ovom radu korištene su povratne neuronske mreže (RNN) za predviđanje vrijednosti burzovnih indeksa (Dow Jones i NASDAQ) i za predviđanje kretanja trenda burzovnih indeksa u obliku binarne klasifikacije (porast/pad ili gore/dolje). U navedenim zadatcima korišteno je pet različitih kombinacija ulaznih varijabli za model RNN: zaključna vrijednost indeksa, zaključna vrijednost indeksa s tehničkim indikatorima, zaključna vrijednost indeksa s naslovima Reuters portala novosti, zaključna vrijednost indeksa s FinSentS sentiment podatcima i zaključna vrijednost indeksa s tehničkim indikatorima, naslovima Reuters portala novosti i s FinSentS sentiment podatcima. Svi provedeni eksperimenti dali su rezultate usporedive s rezultatima dostupnih, relevantnih znanstvenih članaka. Najbolji rezultat u predviđanju vrijednosti burzovnog indeksa i predviđanja kretanja trenda u obliku gore/dolje dobiveni su kombinacijom RNN sa zaključnom vrijednosti burzovnog indeksa i FinSentS sentiment podatcima. Ovi rezultati otvaraju prostor za brojne druge primjene koje koriste tehnike strojnog učenja za razvoj strategija trgovanja i sustava za automatizirano trgovanje.

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo, Ekonomija, Informacijske i komunikacijske znanosti



POVEZANOST RADA


Ustanove
Sveučilište u Zadru