Primjena strojnog učenja u financijskom sektoru

master's thesis

• Title (english): Application of machine learning in the financial sector
• Author: Dorian Fildor
• Mentor: Mirjana Pejić Bach (mentor)
• Committee member: Mirjana Pejić Bach (predsjednik povjerenstva)
• Committee member: Nikola Vlahović (član povjerenstva)
• Committee member: Božidar Jaković (član povjerenstva)
• Granter: University of Zagreb; Faculty of Economics and Business; (Department of Informatics); Zagreb
• Defense date and country: 2024-06-24, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Economics; Business Informatics

Abstract

Strojno učenje još uvijek nije dovoljno prepoznato kao kvalitetan alat za odlučivanje u financijskom sektoru. Primjena strojnog učenja može biti puno raširenija u kontekstu financija s obzirom da bi strojno učenje potencijalno moglo pridonijeti produktivnijoj i efikasnijoj upotrebi financijskih podataka radi dobivanja relevantnih izračuna i kalkulacija. Nenadziranim strojnim učenjem se mogu prepoznavati obrasci i odnosi među velikim skupovima podataka, što su inače vrlo izazovni statistički zadatci koji iziskuju resurse i vrijeme. S druge strane, nadzirano učenje može pomoći pri prognoziranju koje se temelji na statističkim podacima. Analize rizika, mehanizmi za otkrivanje prevara i prognoze mogu biti puno točnije i sofisticiranije, a u konačnici izračuni mogu biti efikasnije obavljeni uz pomoć algoritama strojnog učenja. Strojno učenje podrazumijeva da korisnik dobiva u izuzetno kratkom vremenu točne izračune koristeći napredne statističke metode koje istovremeno obuhvaćaju izuzetno velike raspone podataka. Veliki raspon podataka s druge strane pridonosi točnosti i relevantnosti modela izračuna potrebne kalkulacije jer može uzimati u izračun podatke iz vrlo različitih izvora, a rezultat je efikasno brz. Informacije sa donošenje odluka obično dolaze iz opsežnih analiza gdje se koriste podaci iz raznih izvora, a informacije koje pomažu pri donošenju odluka imaju veće uporište kada se koriste različiti izvori i vrste podataka. Primjena strojnog učenja mogla bi pružiti revoluciju kada je riječ o optimizaciji poslovnih procesa u financijskim djelatnostima. No, kao i svaka druga tehnologija, potrebno je poznavati postavke funkcioniranja ovakvih tehnologija kako ne bi došlo do nedovoljno dobrog korištenja tehnologije. Potrebno je poznavati ograničenja tehnologije kako bi se s njom moglo uspješno upravljati i koristiti u poslovanju.

Abstract (english)

Machine learning is still not sufficiently recognized as a quality decision-making tool in the financial sector. The application of machine learning can be much more widespread in the context of finance, considering that machine learning could potentially contribute to a more productive and efficient use of financial data to obtain relevant calculations and calculations. Unsupervised machine learning can recognize patterns and relationships among large data sets, which are otherwise very challenging statistical tasks that require resources and time. On the other hand, supervised learning can help with statistics-based forecasting. Risk analyses, fraud detection mechanisms and forecasts can be much more accurate and sophisticated, and ultimately calculations can be performed more efficiently with the help of machine learning algorithms. Machine learning means that the user gets accurate calculations in an extremely short time using advanced statistical methods that simultaneously cover extremely large ranges of data. A large range of data, on the other hand, contributes to the accuracy and relevance of the calculation model of the necessary calculation, because it can take into account data from very different sources, and the result is efficiently fast. Decision-making information usually comes from extensive analyses where data from a variety of sources are used, and decision-making information is more robust when using different sources and types of data. The application of machine learning could provide a revolution when it comes to optimizing business processes in financial industries. However, like any other technology, it is necessary to know the settings of the functioning of such technologies in order not to use the technology in an insufficiently good way. It is necessary to know the limitations of technology to successfully manage and use it in business.

• Keywords: strojno učenje; financijski sektor; bankarstvo; Python; AI; AI u poslovanju; data science; data clustering; transfer learning; fintech; inflacija; osiguranje; prognoza cijene dionice; kreditni rizik; detekcija prevara; ocjenjivanje rizika polica; prognoza šteta
• Keywords (english): machine learning (ML); financial sector; banking; Python; AI; AI in business; data science; data clustering; transfer learning; fintech; inflation; insurance; stock price forecast; credit risk; fraud detection; policy risk assessment; damage forecast
• Language: croatian
• URN:NBN: urn:nbn:hr:148:878759
• Study programme: Title: Business economics; Study programme type: university; Study level: integrated undergraduate and graduate; Academic / professional title: sveučilišni magistar ekonomije/sveučilišna magistra ekonomije (sveučilišni magistar ekonomije/sveučilišna magistra ekonomije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Access restricted to authenticated users
• Created on: 2024-06-24 13:06:02