Uvod

V okviru mentorstev zaključnih del sem na voljo za naslednja vsebinska področja:

  • semantični splet,
  • relacijske in NoSQL podatkovne baze,
  • merljivost kakovosti informacij,
  • razvoj naprednih spletnih aplikacij,
  • analiza finančnih informacij.

Posamezne teme so podrobneje predstavljene v nadaljevanju po posameznih stopnjah:

1. stopnja, UNI, BSc

Podrobnosti v zvezi s pripravo zaključnega dela na 1. stopnji se nahajajo na spletni strani fakultete, kjer najdete pravilnik, navodila za izdelavo, vzorec, izjavo o avtorstvu idr.

Trenutno so na voljo proste teme (z mentorstvi za to študijsko leto sem že polno zaseden):

naslednje teme pa so zasedene :

Analiza rekreativnih navad v času COVID-19 v Sloveniji

Podrobnosti teme

Strava je spletna storitev za podporo rekreaciji, ki ima naravo družabnega omrežja. Večinoma se uporablja za kolesarjenje in tek ob pomoči GPS sprejemnika. V času epidemije COVID-19 se je trend rekreiranja zagotovo spremenil. Na podlagi podatkov iz naslednjih virov:

poskušajte odgovoriti na naslednja raziskovalna vprašanja:

  • Ali je sprememba aktivnosti rekreiranja skladna s trendi gibanja oseb na Apple Maps, Google Maps in odzivom države na omejitev COVID-19?
  • Kako so se rekreativci držali omejitev gibanja na občine in ali se je posledično povečalo rekreiranje znotraj občine?
  • Ali so se prijatelji na Stravi kljub prepovedi vseeno družili med seboj?

Opomba: Namesto podatkovnega vira Geocaching velja razmisliti ali je možna uporaba kakšnega drugega vira, ki tudi odraža mobilnost oseb in identifikacije trenda (npr. spletne objave skupaj z datumom in GPS koordinatami na različnih spletnih mestih - Instagramu, Facebooku, TripAdvisor, Flickr idr.).

Donosnost množičnega posojanja z vidika fizične osebe, kot posojilodajalca

Podrobnosti teme

Platforme za množično posojanje so vedno bolj priljubljene in se pogosto omenjajo kot alternativa depozitu oz. vlaganju v delnice. Z vidika tveganja je takšna oblika vlaganja bližje delniškemu trgu, prav tako tudi z vidika potencialnih donosov.

Podrobna predstavitev delovanja takšnih platform je na voljo v članku revije Moje Finance (Milič and Simič 2019).

Platforme množičnega posojanja delujejo po več različnih modelih, kjer se v okviru diplomskega dela osredotočite na štiristranski model množičnega financiranja, ki je prikazan na sliki 1. Pri takšnem modelu v platformi nastopajo kreditna podjetja (angl. loan originators), ki posojila (npr. potrošniška, stanovanjska, podjetniška idr.) svojih strank (fizičnih oseb in podjetij) ponujajo v okviru platforme.

V kontekstu diplomskega dela se osredotočite na fizično osebo (posojilojemalec (fizične osebe) na sliki 1), ki v okviru platforme (platforma za množično financiranje na sliki 1) nastopa v vlogi posojilodajalca in denar posoja posojilojemalcem (posojilojemalec (fizične osebe in podjetje) na sliki 1) posredno preko kreditnih podjetij.

Pri analizi donosnosti se osredotočite na Mintos, največjo evropsko platformo za množično posojanje, ki deluje po štiristranskem modelu množičnega financiranja. Donost množičnega posojanja analizirajte z več vidikov:

  • pregled donosnosti vgrajene funkcionalnosti platforme samodejnega investiranja (angl. Auto Invest),
  • primerjava donosnosti z investiranjem na delniških trgih (npr. pasivno vlaganje v indeks oz. ETF),
  • predlog izboljšane investicijske strategije na platformi za množično posojanje, ki temelji na analizi delovanja platforme (npr. statistika posojil in knjiga posojil ter podrobnosti o kreditnih podjetjih).

Na voljo je kar nekaj strokovnih in znanstvenih člankov, ki so se ukvarjali s podobno tematiko, in sicer:

  • Data-driven investment strategies for peer-to-peer lending: A case study for teaching data science (Cohen et al. 2018),
  • Platform Mispricing and Lender Learning in Peer-to-Peer Lending (Liu, Wei, and Xiao 2018).

Trgovalna strategija z altcoini

Podrobnosti zasedene teme

Izraz altcoin označuje skupino alternativnih kriptovalut, v primerjavi z najbolj pogosto trgovano kriptovaluto Bitcoin (BTC). V okviru diplomskega dela bi bilo potrebno pripraviti trgovalno strategijo, ki bi na podlagi košarice najbolj pogosto trgovalnih altcoin-ov (npr. XRP, Litecoin (LTC), Bitcoin Cash (BCH), Stellar (XLM), EOS, Tezos (XTZ), 0x (ZRX), OMG Network (OMG)) aktivno trgovala in pri tem poskušala biti bolj uspešna od trga.

Kot poenostavljeno metriko gibanja trga altcoin-ov lahko uporabite Ethereum (ETH), kot najbolj pogosto trgovano alternativo Bitcoinu. Delovanje predlagane trgovalne strategije preverite na zgodovinskih podatkih in statistično značilno potrdite njeno uspešnost v primerjavi s poenostavljenim gibanjem trga, kot je kupi & drži kriptovalute Ethereum (ETH).

Na trgu obstajajo številne odprtokodne rešitve, ki omogočajo izdelavo trgovalnih strategije (npr. Superalgos). Prav tako pa so na voljo tudi oblačne storitve, ki omogočajo izdelavo in testiranje strategij. Ena izmed bolj priljubljenih je TradingView, ki s pomočjo jezika Pine Script omogoča izdelavo lastnih indikatorjev, pristopov in strategij.

Korelacija ukrepov za zajezitev COVID-19 in trendov gibanja prebivalcev v Sloveniji

Podrobnosti zasedene teme

Identifikacija korelacij ukrepov za zajezitev COVID-19 in trendov gibanja prebivalcev na podlagi naslednjih podatkov:

Opomba: Članek s podobno idejo je sicer že v pripravi (trenutno v recenzijskem postopku) s strani avtorjev COVID-19 Sledilnika.

Analiza gibanja igralcev igre Geocaching v času COVID-19 v Sloveniji

Podrobnosti zasedene teme

Geocaching je avanturistično-raziskovalna igra iskanja zakladov, ki jo z GPS napravami ali mobilnimi napravami, ki imajo vgrajen GPS, igrajo po vsem svetu. Osnovna ideja igre je, da nekje v naravi najdeš skriti zaklad s pomočjo GPS-a in namiga. V času epidemije COVID-19 se je aktivnost iskanja zakladov ob vseh omejitvah močno zmanjšala. Na podlagi podatkov iz naslednjih virov:

poskušajte odgovoriti na naslednja raziskovalna vprašanja:

  • Je zmanjšana aktivnost iskanja zakladov skladna s trendi gibanja oseb na Apple Maps, Google Maps in odzivom države na omejitev COVID-19?
  • Kako so se iskalci zakladov v Sloveniji držali omejitev gibanja na občine in ali se je posledično povečalo iskanje znotraj občine?
  • Ali so se prijatelji na Geocaching kljub prepovedi vseeno družili med seboj?

Opomba: Namesto podatkovnega vira Geocaching velja razmisliti ali je možna uporaba kakšnega drugega vira, ki tudi odraža mobilnost oseb in identifikacije trenda (npr. spletne objave skupaj z datumom in GPS koordinatami na različnih spletnih mestih - Instagramu, Facebooku, TripAdvisor, Flickr idr.).

Uporaba diagramskih tehnik pri interaktivnem preverjanju znanja načrtovanja informacijskih sistemov

Podrobnosti zasedene teme

V okviru odprtokodne platforme za podporo izobraževanju Moodle so na voljo številni tipi vprašanj, ki jih lahko uporabimo pri preverjanju znanju.

V okviru diplomske naloge bi bilo treba razviti podporo za naloge, ki vključujejo načrtovanje in uporabo diagramskih tehnik (npr. ER model, UML diagrami ipd.), kjer je možno preko grafičnega vmesnika vnašati rezultati, t.j. narisati manjkajoče povezave ali elemente oz. dodati različne podatke (npr. imena, števnosti ipd.).

Cilj je mogoče doseči na več načinov:

  1. izdelava novega tipa Moodle vprašanja,
  2. generiranje HTML kode vprašanja in uvoz v obstoječe Moodle vprašanja tipa Embedded Answers (Cloze).

Za generiranje slik v različnih diagramskih tehnikah iz opisnega jezika se lahko uporabi PlantUML, medtem ko za generiranje Moodle Cloze vprašanj knjižnico R/exams.

Implementacija trgovalne strategije za zajem dividend

Podrobnosti zasedene teme

Ena izmed trgovalnih strategij, ki se ne uporablja pogosto pri trgovanju financčnih inštrumentov, je trgovalna strategija za zajem dividend. Strategija je zelo preprosto in temelji na akcijah, povezanih z naslednjimi dogodki:

  • datum izjave, ko upravni odbor napove izplačilo dividend,
  • ex-datum ali datum ex-dividend, ko se začne trgovanje finančnega inštrumenta brez dividend,
  • datum zapisa, ko trenutni delničarji, ki so v evidenci, prejmejo dividende (običajno 2 dneva po ex-datumu) in
  • datum plačila, ko podjetje izplača dividende.

Strategija je v osnovi zelo preprosta, kjer vlagatelj kupi delnice pred datumom ex-dividend in jih proda na datum ex-dividend ali kasneje. Če cena delnice pade po objavi dividend, mora vlagatelj počakati, da se cena vrne na prvotno raven. Vlagatelju ni treba držati pozicije do datum plačila.

V teoriji takšna strategija ne bi smela delovati, saj bi se vrednost izplačane dividende morala izražati v ceni delnice do datum ex-dividend, ko bi se cena znižala za dejansko višino dividend. Ker pa finančni trgi ne delujejo s takšno matematično natančnostjo, do tega vedno ne pride in v okviru diplomskega dela je treba preveriti ali omenjen pristop deluje in do katere mere.

Na voljo je nekaj strokovnih in znanstvenih člankov, ki so se ukvarjali s sorodno tematiko, in sicer:

  • How to use the Dividend Capture Strategy (Investopedia 2019),
  • Dividend Capture Returns: Anomaly or Risk Premium? Evidence from the Equity Options Markets (Healy and O’Sullivan 2019),
  • Hedged dividend capture with stock index options (Zivney and Alderson 1986).

Podpora interaktivnim lekcijam v izvajalnem okolju Node.js

Podrobnosti zasedene teme

V programskem jeziku R obstaja zelo dobra podpora za interaktivne lekcije s pomočjo paketa learnr. Omogoča nam izdelavo lekcije, kamor vključimo navodila, video posnetke, vprašanja in tudi možnost poganjanja R izvorne kode v sandbox okolju, kar zelo olajša proces učenja novega programske jezika.

V okviru diplomskega dela je treba podporo interaktivnim lekcijam s sandbox okoljem za sklad tehnologij JavaScript (Node.js) + HTML + CSS, ki bo omogočal podobno uporabniško izkušnjo kot prej omenjena rešitev s paketom learnr.

Obstaja kar nekaj rešitev, ki omogačajo sandbox izvajanje izvorne kode, s katerimi si lahko pomagate: CompileBox, CodeRunner, JOBE, Web-CAT, INGInious, Autolab idr.

Analiza tveganja množičnega posojanja z vidika fizične osebe, kot posojilodajalca

Podrobnosti zasedene teme

Platforme za množično posojanje so vedno bolj priljubljene in se pogosto omenjajo kot alternativa depozitu oz. vlaganju v delnice. Z vidika tveganja je takšna oblika vlaganja bližje delniškemu trgu, prav tako tudi z vidika potencialnih donosov.

Podrobna predstavitev delovanja takšnih platform je na voljo v članku revije Moje Finance (Milič and Simič 2019).

Platforme množičnega posojanja delujejo po več različnih modelih, kjer se v okviru diplomskega dela osredotočite na štiristranski model množičnega financiranja, ki je prikazan na sliki 1. Pri takšnem modelu v platformi nastopajo kreditna podjetja (angl. loan originators), ki posojila (npr. potrošniška, stanovanjska, podjetniška idr.) svojih strank (fizičnih oseb in podjetij) ponujajo v okviru platforme.

Štiristranski model množičnega financiranja

Slika 1: Štiristranski model množičnega financiranja

V kontekstu diplomskega dela se osredotočite na fizično osebo (posojilojemalec (fizične osebe) na sliki 1), ki v okviru platforme (platforma za množično financiranje na sliki 1) nastopa v vlogi posojilodajalca in denar posoja posojilojemalcem (posojilojemalec (fizične osebe in podjetje) na sliki 1) posredno preko kreditnih podjetij.

Pri analizi tveganj se osredotočite na različna tveganja:

  • posojilojemalec s posojilom zamuja (npr. različna obdobja, 1 - 15 dni, 16 - 30 dni, 31 - 60 dni, več kot 60 dni),
  • posojilojemalec posojila ne vrne (npr. nekatera kreditna podjetja to tveganje zmanjšujejo z lastno udeležbo v posojilu in možnostjo odplačila dolga posojilodajalcu),
  • kreditno podjetje se znajde v finančnih težavah in ni sposobno zagotavljati likvidnost sredstev,
  • platforma za množično posojanje se znajde v finančnih težavah in ni sposobna zagotavljati likvidnost sredstev,
  • idr.

Za analizo podatkov se lahko osredotočite na Mintos, največjo evropsko platformo za množično posojanje, ki deluje po štiristranskem modelu množičnega financiranja. Pomagate si lahko s statistika posojil in knjigo posojil ter podrobnostmi o kreditnih podjetjih.

Na podlagi zbranih podatkov poskušajte izdelati napovedni model, ki vrne verjetnost za pojavitev posamezne vrste tveganja.

Na voljo je kar nekaj znanstvenih člankov, ki so se ukvarjali s podobno tematiko, in sicer:

  • Detecting the Abnormal Lenders from P2P Lending Data (Li et al. 2016),
  • P2P lending scoring models: Do they predict default? (Giudici and Misheva 2018),
  • The predicting power of soft information on defaults in the Chinese P2P lending market (Wang, Drabek, and Wang 2018),
  • P2P Lending versus Banks: Cream Skimming or Bottom Fishing? (Pelizzon, Thakor, and Roure 2018),
  • Wide and deep learning for peer-to-peer lending (Bastani, Asgari, and Namavari 2019).

2. stopnja, MAG, MSc

Podrobnosti v zvezi s pripravo zaključnega dela na 2. stopnji se nahajajo na spletni strani fakultete, kjer najdete prijavo teme, vlogo za odobritev teme, navodila za pripravo, izdelavo in zagovor, vzorec idr.

Trenutno ni na voljo prostih tem oz. je možna nadgradnja prostih tem na 1. stopnji:

naslednje teme pa so zasedene :

Robotski finančni svetovalec

Podrobnosti zasedene teme

Robotski finančni svetovalec je digitalna platforma, ki upravlja naložbe strank v skladu z avtomatiziranimi, vnaprej določenimi strategijami. Ključna prednost robo svetovalca je veliko manjša človeška interakcija, v primerjavi s klasičnim finančnim svetovalcem. Tipičen robo svetovalec s pomočjo spletnega vprašalnika od strank zbira informacije o njihovem finančnem položaju in ciljih, nato pa podatke uporabi za svetovanje in samodejno vlaganje sredstev strank. Najboljši komercialni robo svetovalci (Coombes 2020) ponujajo enostavno nastavitev računa, zanesljivo načrtovanje ciljev, upravljanje portfelja, varnostne funkcije, celovito izobraževanje in nizke honorarje.

Obstaja nekaj brezplačnih rešitev (Hernandez 2020) za obvladovanje premoženja, na voljo pa je tudi odprtokodna rešitev WealthBot (Wealthbot.io 2020), ki jo je možno prilagoditi lastnim potrebam.

Pri razvoju robo finančnega svetovalca se lahko uporabi pristop portfelja z minimalno varianco na Markowitzevi krivulji učinkovitosti (Pipan 2010; Lampelj 2004), ki temelji na moderni teorija portfelja. Lahko pa se uporabi tudi alternativno teorijo optimizacije ciljno usmerjenega portfelja (Parker 2020), ki opredeli tveganje, kot verjetnost nedoseganja cilja, v nasprotju z varianco pri modeni teoriji portfelja. Celovit pregled uporabljenih metod je povzet v (Beketov, Lehmann, and Wittke 2018).

V okviru magistrskega dela je treba razviti robo finančnega svetovalca, primernega za nepoučenega uporabnika, ki mu glede na njegove preference in nagnjenost k tveganju, strateško in taktično obvladuje portfelj finančnih inštrumentov. Nabor finančnih inštrumentov naj bo iz množice delnic, obveznic, indeksnih skladov, nepremičnin, surovin, P2P posojil, kriptovalut idr.

Na voljo je nekaj strokovnih in znanstvenih člankov, ki so se ukvarjali s sorodno tematiko, in sicer:

  • Robo Advisors: quantitative methods inside the robots (Beketov, Lehmann, and Wittke 2018),
  • Designing a robo-advisor for risk-averse, low-budget consumers (Jung et al. 2018),
  • Artificial Intelligence in FinTech: understanding robo-advisors adoption among customers (Belanche, Casalo, and Flavian 2019),
  • Robo-advisors: A substitute for human financial advice? (Brenner and Meyll 2020),
  • Behavioural finance in an era of artificial intelligence: Longitudinal case study of robo-advisors in investment decisions (Shanmuganathan 2020).

Literatura

Bastani, Kaveh, Elham Asgari, and Hamed Namavari. 2019. “Wide and Deep Learning for Peer-to-Peer Lending.” Expert Systems with Applications 134: 209–24. https://doi.org/https://doi.org/10.1016/j.eswa.2019.05.042.

Beketov, Mikhail, Kevin Lehmann, and Manuel Wittke. 2018. “Robo Advisors: quantitative methods inside the robots.” Journal of Asset Management 19 (6): 363–70. https://cloud.lavbic.net/s/pl9MkwyiHmwJSQ9.

Belanche, Daniel, Luis V. Casalo, and Carlos Flavian. 2019. “Artificial Intelligence in FinTech: understanding robo-advisors adoption among customers.” Industrial management & data systems 119 (7): 1411–30. https://cloud.lavbic.net/s/K9rD59BCEDf9yvl.

Brenner, Lukas, and Tobias Meyll. 2020. “Robo-advisors: A substitute for human financial advice?” Journal of Behavioral and experimental finance 25. https://cloud.lavbic.net/s/xpVfCXF3TzpHFYt.

Chang, Serina, Emma Pierson, Pang Wei Koh, Jaline Gerardin, Beth Redbird, David Grusky, and Jure Leskovec. 2020. “Mobility Network Models of Covid-19 Explain Inequities and Inform Reopening.” Nature 589. https://www.nature.com/articles/s41586-020-2923-3.

Cohen, Maxime C, C Daniel Guetta, Kevin Jiao, and Foster Provost. 2018. “Data-Driven Investment Strategies for Peer-to-Peer Lending: A Case Study for Teaching Data Science.” Big Data 6 (3): 191–213.

Coombes, Andrea. 2020. “12 Best Robo-Advisors of October 2020.” 2020. https://www.nerdwallet.com/best/investing/robo-advisors.

Giudici, Paolo, and Branka Hadji Misheva. 2018. “P2P Lending Scoring Models: Do They Predict Default?” Journal of Digital Banking 2 (4): 353–68.

Healy, Brian, and Conall O’Sullivan. 2019. “Dividend Capture Returns: Anomaly or Risk Premium? Evidence from the Equity Options Markets.” Michael J. Brennan Irish Finance Working Paper Series Research Paper, nos. 19-2.

Hernandez, Andrea. 2020. “The Best 8 Free and Open Source Wealth Management Software.” 2020. https://www.goodfirms.co/blog/best-free-open-source-wealth-management-software.

Investopedia. 2019. “How to Use the Dividend Capture Strategy.” 2019. https://www.investopedia.com/articles/stocks/11/dividend-capture-strategy.asp.

Jung, Dominik, Verena Dorner, Christof Weinhardt, and Hakan Pusmaz. 2018. “Designing a robo-advisor for risk-averse, low-budget consumers.” Electronic markets 28 (3): 367–80. https://cloud.lavbic.net/s/1HFYmKUXleh2mig.

Lampelj, Tomaž. 2004. “Pomen diverzifikacije naložb za donosnost portfelja finančnega posrednika.” Diploma, Univerza v Mariboru, Ekonomsko-poslovna fakulteta. https://core.ac.uk/download/pdf/67523671.pdf.

Li, Haifeng, Yuejin Zhang, Ning Zhang, and Hengyue Jia. 2016. “Detecting the Abnormal Lenders from P2p Lending Data.” Procedia Computer Science 91: 357–61. https://doi.org/https://doi.org/10.1016/j.procs.2016.07.095.

Liu, Xinyuan, Zaiyan Wei, and Mo Xiao. 2018. “Platform Mispricing and Lender Learning in Peer-to-Peer Lending.”

Milič, Marja, and Nina Simič. 2019. “Primerjava Platform Za Množično Posojanje - Sanjsko: Alternativa Depozitu Z 10-Odstotnim Letnim Donosom?” 2019. https://mojefinance.finance.si/8954819.

Parker, Frnklin. 2020. “How to Optimize Goal-Based Portfolio.” 2020. https://www.r-bloggers.com/2020/08/how-to-optimize-a-goal-based-portfolio/.

Pelizzon, Loriana, Anjan Thakor, and Calebe de Roure. 2018. “P2P Lending Versus Banks: Cream Skimming or Bottom Fishing?”

Pipan, Gregor. 2010. “Novi Izzivi Pri Upravljanju Portfeljev.” 2010. https://www.finance.si/289183/Novi-izzivi-pri-upravljanju-portfeljev.

Shanmuganathan, Manchuna. 2020. “Behavioural finance in an era of artificial intelligence: Longitudinal case study of robo-advisors in investment decisions.” Journal of Behavioral and experimental finance 27. https://cloud.lavbic.net/s/kLpj83JdTbE5HaY.

Wang, Yao, Zdenek Drabek, and Zhengwei Wang. 2018. “The Predicting Power of Soft Information on Defaults in the Chinese P2p Lending Market.” IES Working Paper.

Wealthbot.io. 2020. “WealthBot.io - an Open Source Wealth Management Platform.” 2020. https://github.com/wealthbot-io/wealthbot.

Zivney, Terry L, and Michael J Alderson. 1986. “Hedged Dividend Capture with Stock Index Options.” Financial Management, 5–12.