A citizen data science pénzügyi relevanciája
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | citizen data scientist döntési fa lineáris regresszió logisztikus regresszió machine learning |
| Online Access: | http://dolgozattar.uni-bge.hu/37196 |
| Kivonat: | A dolgozat eredményeit szemléltető főrészben 3 esettanulmányt oldottam meg. Egy esetben az adatokat a Kaggle-ről szereztem be, míg egy másiknál vállalati adatokat használtam fel, s a Yahoo Finance-ről is töltöttem le adatokat. Készítettem egy EBITDA becslést, melyet lineáris regressziót használó modellel építettem fel historikus céges adatokra. Végül negyedévre átlagosan 7.5%-kal túlbecsültem a tényleges értékeket, illetve 1-12% közötti tartományban voltam képes a negyedéves becsléseket megadni. Készítettem egy ügyfélminősítő modellt is, mely arra a kérdésre adott választ, hogy egy adott banki ügyfélnek érdemes-e hitelt adni vagy sem. Az adatok itt a Kaggle-ről származtak. Az előrejelzés tehát igen vagy nem választ kívánt meg. Erre logisztikus regressziót használtam, mivel ennek specialitása az ilyen típusú döntések támogatása. A megfelelő tanuló adatmennyiség érdekében mindössze 63 elemen tudtam a tesztelést lefolytatni, de 5%-os pontosságot sikerült elérni. A harmadik esettanulmány az S&P 500 tőzsdei index becslése volt. 99,44%-os pontossággal tudta előjelezni a teszteléskor a modell az árfolyamot. |
|---|