📈 DIPLOMSKA NALOGA: Napovedovanje gibanja finančnih trgov z modeli Chronos in TimesFM

🎯 Opis projekta

Ta projekt primerja dva napredna modela za napovedovanje časovnih vrst:

• Amazon Chronos-Bolt
• Google TimesFM

Analiza temelji na zgodovinskih podatkih o cenah izbranih delnic in vključuje:

• ✅ Oceno uspešnosti modelov na različnih časovnih intervalih (5min, 15min, 1h)
• ✅ Vizualizacijo rezultatov
• ✅ Statistično obdelavo in primerjavo

📁 Struktura projekta

diploma/
├── 📓 notebooks/          # Jupyter notebooki za analizo
├── 🐍 src/               # Python skripte
├── 📊 data/              # Zgodovinski podatki delnic
│   ├── 5M/              # 5-minutni intervali
│   ├── 15M/             # 15-minutni intervali
│   └── 1H/              # 1-urni intervali
├── 📈 results/           # Napovedi modelov
├── 📋 analysis_results/  # Grafični prikazi in primerjave
└── 📝 notes.md          # Povzetki in ugotovitve

📊 Uporabljeni podatki

Karakteristika	Opis
Delnice	11 izbranih delnic (IONQ, NVDA, TSLA, VKTX, ...)
Borze	NASDAQ in NYSE
Intervali	5M, 15M, 1H
Metrika	Closing cena ('Close')
Obdobje	Zgodovinski podatki

🤖 Uporabljeni modeli

🔥 Chronos-Bolt (Amazon)

• Tip: Foundation model za časovne vrste (transformer)
• Context window: 128 preteklih vrednosti → 20 napovedi
• Metoda: Drseče okno (rolling window)

⏰ TimesFM (Google)

• Tip: Foundation model za časovne vrste (transformer)
• Context window: 2048 (128) preteklih vrednosti → 20 napovedi
• Metoda: Drseče okno (rolling window)

📈 Analiza in vizualizacija

Metrični kazalniki

• MAPE (Mean Absolute Percentage Error)
• MAE (Mean Absolute Error)
• RMSE (Root Mean Square Error)
• Volatilnost napake
• Smerna pravilnost/natančnost
• Random Walk

Vizualizacije

• 📊 Histogrami
• 📦 Boxploti
• 📉 Distribucije
• 📊 Stolpčni diagrami

Statistični testi

• 🔬 T-test za preverjanje pomembnosti razlik med modeli

🚀 Navodila za uporabo

Predpogoji

pip install -r requirements.txt

Zagon analize

1. Pridobivanje podatkov: notebooks/Data_acquistion.ipynb
2. Chronos napovedi: notebooks/chronos_predictions_5M_15M.ipynb
3. TimesFM napovedi: notebooks/timesFM_model_5M_15M.ipynb
4. Analiza rezultatov: src/analysis_scripts.py

🔍 Ključne ugotovitve

Napaka v besedilu: "Model Chronos je v povprečju natančnejši kot Chronos" → Verjetno mislite "Model TimesFM je natančnejši kot Chronos"

✅ Glavne ugotovitve

• TimesFM dosega v povprečju boljšo natančnost (nižji MAPE) in večjo stabilnost
• Optimalni intervali: 5min in 15min za oba modela
• Problematični interval: 1h (največje napake in volatilnost)
• Direkcionalna točnost: Podobna za oba modela, presega naključno napovedovanje

📊 Primerjava po intervalih

Interval	Chronos	TimesFM	Priporočilo
5min	✅ Dobro	✅ Odlično	TimesFM
15min	✅ Dobro	✅ Odlično	TimesFM
1h	⚠️ Slabše	⚠️ Slabše	Potrebne izboljšave

💡 Priporočila

🎯 Za praktično uporabo

• Splošno napovedovanje: TimesFM na 5min-15min intervalih
• Kratkoročno trgovanje: TimesFM z 5min intervalom
• Dolgoročna analiza: Potrebne dodatne izboljšave za 1h interval

⚠️ Omejitve

• Modeli niso optimizirani za visoko-frekvenčno trgovanje
• 1h interval zahteva dodaten fine-tuning
• Potrebno je upoštevanje tržnih pogojev in volatilnosti

---

📧 Kontakt

Avtor: Michael Valand Leto: 2025