20.500.12556/RUL-162599 Napovedovanje vrednosti finančnih tokov s spodbujevanim in globokim učenjem Predicting the value of financial flows with reinforcement and deep learning Napovedovanje vrednosti finančnih tokov je eden od najbolj zahtevnih problemov strojnega učenja, saj zgodovinski podatki o gibanju vrednosti vsebujejo veliko šuma in so nestabilni. Trenutni pristopi se osredotočajo na uporabo spodbujevanega učenja in uporabo nevronskih mrež za predvidevanje naslednjih akcij. V tej diplomski nalogi bomo raziskali uporabo povratnih nevronskih mrež za opravljanje teh funkcij in jih med seboj primerjali. Primerjali bomo delovanje nevronske mreže s plastmi LSTM, ki so se že izkazale za zelo obetajoče tako na področju predvidevanja finančnih tokov kot igranja iger, ter nevronske mreže s plastmi GRU, uporaba katerih še ni bila dobro raziskana, in obe primerjali z usmerjeno nevronsko mrežo. Z uporabo povratnih nevronskih mrež želimo bolje zajeti časovne odvisnosti in vzorce v podatkih, prav tako pa nam bo to tudi omogočilo, da za napovedovanje naslednje akcije uporabimo večje število podatkov (iz preteklih časovnih intervalov) za doseganje večje točnosti. Rezultati naših eksperimentov kažejo, da se v obdobju med leti 2019 in 2024 na večini finančnih instrumentov najbolje izkaže agent z usmerjeno nevronsko mrežo, pri finančnih instrumentih z velikimi in nenadnimi spremembami cen pa se najbolje izkaže agent s plastmi GRU. Predicting the value of financial flows is one of the most challenging machine learning problems, as historical data on value movements contain a lot of noise and are unstable. Current approaches focus on using reinforcement learning and using neural networks to predict the next action. In this thesis, we will explore the use of recurrent neural networks to perform these functions and compare them to each other. We will compare the performance of a neural network with LSTM layers, which have already proven to be very promising both in the field of predicting financial flows and playing games, and a neural network with GRU layers, the use of which has not yet been well explored. By using feed-forward neural networks, we want to better capture temporal dependencies and patterns in the data, and it will also allow us to use a larger amount of data (from past time intervals) to predict the next action to achieve greater accuracy. The results of our experiments show that, in the period between 2019 and 2024, the agent with a feedforward neural network performs best on most financial instruments, while the agent with GRU layers performs best on financial instruments with large and sudden price changes. spodbujevano učenje globoko učenje povratne nevronske mreže reinforcement learning deep learning recurrent neural networks true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2024-09-25 14:35:09 2024-09-25 14:35:16 2024-11-11 06:02:44 0000-00-00 00:00:00 2024 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37479 214394627 Bogataj_Fedja_-_Napovedovanje_vrednosti_financnih_tokov_s_spodbujevanim_in_globokim_ucenjem.pdf Bogataj_Fedja_-_Napovedovanje_vrednosti_financnih_tokov_s_spodbujevanim_in_globokim_ucenjem.pdf 1 8BBF634EB8379ED6D6514EC83BA32C5E 7726c35ab955387216ea451c10c155107fea7ce1b01695c5b5de269e27543ef5 7ed76e19-7b3a-11ef-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=191993 Fakulteta za računalništvo in informatiko 0 0 0