1,720,960 research outputs found
Evolution of the cyber threat in the maritime industry
Get PDFPrateći razvoj primjene računala u pomorskoj industriji postajemo sve svjesniji izloženosti računalnim napadima. Kako trend računalnih napada iz godine u godinu bilježi porast, raste potreba za uvođenjem novih sigurnosnih standarda i pravila. Pomorska industrija postaje interesantna napadačima upravo zbog važnosti u trgovačkom prometu kao i velikih novčanih transakcija koje se provode. Porastom prijetnji od terorističkih i piratskih napada dolazi do sasvim druge motivacije kojom napadači bivaju vođeni. Daljnjim konstantnim usavršavanjem tehnika kojima se koriste napadači u primjeni provođenja ciljanih napada razina održavanja sigurnosti sustava biva narušena. Upravo zato pomorska industrija treba težiti uvođenju potrebne edukacije u cilju povećanja informatičke pismenosti i svjesnosti o kibernetičkim prijetnjama. Iako se ovim pristupom otvara sasvim novo područje sigurnosti u pomorstvu, ono ne smije biti zanemareno.Following the development of computer use in the maritime industry, we are becoming increasingly aware of our vulnerability to computer threats. As the trend of computer threats has been growing from year to year, there is a need to introduce new security and safety standards and rules. The maritime industry is becoming interesting to attackers because of its importance to trade traffic and large financial transactions carried out. The growth of terrorist and pirate threats results in a completely different motivation the attackers are driven by. Further constant improvement of techniques used by attackers in carrying out targeted attacks impairs the level of maintaining security and safety standards. Therefore, the maritime industry needs to strive to introduce education which aims at raising information literacy and awareness of cybernetic threats. Even though such an approach opens a completely new security and safety area in maritime industry, it should not be neglected
Implementation of a multi-agent artificial intelligence system for financial trading decision-making process
No full textPrimjena umjetne inteligencije u financijskim analizama dovodi do razvoja naprednih višeagentnih sustava koji omogućavaju učinkovitiju analizu i donošenje odluka od dosadašnjih metoda. Ovaj rad predstavlja razvoj i implementaciju višeagentnog sustava umjetne inteligencije za generiranje financijskih trgovačkih preporuka koji integrira specijalizirane agente za prikupljanje podataka, tehničku analizu, obradu vijesti i upravljanje portfeljem. Sustav kombinira kvantitativnu analizu zasnovanu na tehničkim indikatorima s kvalitativnim uvidima iz financijskih vijesti kroz tehnike obrade prirodnog jezika, poput inženjeringa upita i generiranja pomoću pretraživanja. Arhitektura ovog sustava omogućava samostalno djelovanje četiri specijalizirana agenta koji doprinose generiranju trgovačkih preporuka. Evaluacija provedena na pet reprezentativnih dionica tehnoloških kompanija tijekom šestomjesečnog perioda 2025. godine pokazuje značajno poboljšanje u upravljanju rizikom u odnosu na referentnu strategiju „kupi i drži“. Rezultati prikazuju značajno smanjenje volatilnosti i maksimalnog pada kod većine analiziranih dionica, posebno kod visoko volatilnih dionica poput Tesle gdje sustav održava maksimalni pad na 7.72% u odnosu na 47.84% referentne strategije. Sustav prilagođava trgovačke preporuke različitim tržišnim uvjetima i specifičnostima svake dionice, čime održava stabilnost portfelja u periodima kada su tržišta nestabilna. Analiza financijskih vijesti pomoću NLP-a omogućava sustavu da prepozna je li vijest pozitivna ili negativna, koliko je važna za dionicu i kako bi mogla utjecati na njezinu cijenu. Unatoč identificiranim ograničenjima u vidu opreznijeg pristupa tijekom snažnih uzlaznih trendova, modularnost ove arhitekture omogućava kontinuirani razvoj i optimizaciju pojedinih komponenti. Istraživanje potvrđuje vrijednost višeagentnih pristupa u integraciji različitih izvora podataka za poboljšanje procesa donošenja trgovačkih odluka.The application of artificial intelligence in financial analysis leads to the development of advanced multi-agent systems that enable more effective analysis and decision-making than existing methods. This paper presents the development and implementation of a multi-agent artificial intelligence system for generating financial trading recommendations, integrating specialized agents for data collection, technical analysis, news processing, and portfolio management. The system combines quantitative analysis based on technical indicators with qualitative insights from financial news, utilizing natural language processing techniques such as prompt engineering and retrieval-augmented generation. The system\u27s architecture enables autonomous operation of four specialized agents that contribute to generating trading recommendations. An evaluation conducted over six months in 2025 on five representative technology stocks reveals a significant improvement in risk management compared to the "buy and hold" reference strategy. Results demonstrate a significant reduction in volatility and maximum drawdown for most analysed stocks, particularly for highly volatile stocks such as Tesla, where the system maintains a maximum drawdown of 7.72% compared to 47.84% for the reference strategy. The system adapts trading recommendations to various market conditions and the specifics of each stock, thereby maintaining portfolio stability during periods of market instability. Financial news analysis using NLP enables the system to recognize whether news is positive or negative, its importance to the stock, and how it may affect its price. Despite identified limitations in adopting a more cautious approach during strong upward trends, the modularity of this architecture enables the continuous development and optimization of individual components. The research confirms the value of multi-agent approaches in integrating different data sources to improve the trading decision-making process
An automated stock market trading system based on deep reinforcement learning
No full textOvaj rad predstavlja inovativni sustav za automatsko trgovanje dionicama na tržištu kapitala, koji integrira duboko podržano učenje i naprednu obradu prirodnog jezika. Istraživanje adresira izazove u automatiziranom trgovanju, uključujući volatilnost tržišta, kompleksnost financijskih podataka i potrebu za kontinuiranom adaptacijom trgovačkih strategija. Rad počinje sveobuhvatnim pregledom financijskih tržišta i hipoteze efikasnog tržišta, postavljajući teorijski okvir za razumijevanje tržišne dinamike. Zatim se fokusira na evoluciju tehnika obrade prirodnog jezika, s posebnim naglaskom na Transformer arhitekturu i njenu primjenu u analizi financijskih tekstova. Detaljno je istraženo duboko podržano učenje i njegova primjena u kontekstu financijskog trgovanja. Metodologija istraživanja obuhvaća razvoj dva modela: PrimoGPT, specijalizirani model za generiranje NLP značajki iz financijskih tekstova, i PrimoRL, model dubokog podržanog učenja za donošenje trgovačkih odluka. PrimoGPT, temeljen na naprednoj Transformer arhitekturi, demonstrira sposobnost interpretacije kompleksnih financijskih informacija, dok PrimoRL pokazuje izvanrednu adaptabilnost u dinamičnim tržišnim uvjetima. Eksperimentalna evaluacija provedena je na dionicama vodećih tehnoloških kompanija u periodu od sedam mjeseci. Rezultati konzistentno pokazuju superiornost predloženog sustava nad tradicionalnim trgovačkim strategijama i drugim modelima strojnog učenja. Posebno su impresivne performanse na NFLX dionici s povratom od 41.19%, AAPL s povratom od 24.24% i AMZN dionici s 26.72% povrata, uz održavanje visokih Sharpe omjera. Zaključno, rad unapređuje razumijevanje primjene umjetne inteligencije u financijskom trgovanju i otvara perspektive za razvoj sofisticiranijih automatiziranih trgovačkih sustava.This paper presents an innovative system for automated stock trading in the stock market, integrating deep reinforcement learning and advanced natural language processing. The research addresses challenges in automated trading, including market volatility, the complexity of financial data, and the need to adapt trading strategies continuously. The work begins with a comprehensive review of financial markets and the efficient market hypothesis, establishing a theoretical framework for understanding market dynamics. It then focuses on the evolution of natural language processing techniques, emphasizing the Transformer architecture and its application in financial text analysis. Deep reinforcement learning and its application in the context of financial trading are explored in detail. The research methodology encompasses the development of two models: PrimoGPT, a specialized model for generating NLP features from financial texts, and PrimoRL, a deep reinforcement learning model for making trading decisions. PrimoGPT, based on advanced Transformer architecture, demonstrates the ability to interpret complex financial information, while PrimoRL exhibits exceptional adaptability in dynamic market conditions. Experimental evaluation was conducted on stocks of leading technology companies over seven months. Results consistently show the proposed system's superiority over traditional trading strategies and other machine learning models. Particularly impressive performances were observed on NFLX stock, with a return of 41.19%, AAPL stock, with a return of 24.24%, and AMZN stock, with a 26.72% return, while maintaining high Sharpe ratios. In conclusion, this work advances the understanding of artificial intelligence applications in financial trading and opens perspectives for developing more sophisticated automated trading systems
An automated stock market trading system based on deep reinforcement learning
No full textOvaj rad predstavlja inovativni sustav za automatsko trgovanje dionicama na tržištu kapitala, koji integrira duboko podržano učenje i naprednu obradu prirodnog jezika. Istraživanje adresira izazove u automatiziranom trgovanju, uključujući volatilnost tržišta, kompleksnost financijskih podataka i potrebu za kontinuiranom adaptacijom trgovačkih strategija. Rad počinje sveobuhvatnim pregledom financijskih tržišta i hipoteze efikasnog tržišta, postavljajući teorijski okvir za razumijevanje tržišne dinamike. Zatim se fokusira na evoluciju tehnika obrade prirodnog jezika, s posebnim naglaskom na Transformer arhitekturu i njenu primjenu u analizi financijskih tekstova. Detaljno je istraženo duboko podržano učenje i njegova primjena u kontekstu financijskog trgovanja. Metodologija istraživanja obuhvaća razvoj dva modela: PrimoGPT, specijalizirani model za generiranje NLP značajki iz financijskih tekstova, i PrimoRL, model dubokog podržanog učenja za donošenje trgovačkih odluka. PrimoGPT, temeljen na naprednoj Transformer arhitekturi, demonstrira sposobnost interpretacije kompleksnih financijskih informacija, dok PrimoRL pokazuje izvanrednu adaptabilnost u dinamičnim tržišnim uvjetima. Eksperimentalna evaluacija provedena je na dionicama vodećih tehnoloških kompanija u periodu od sedam mjeseci. Rezultati konzistentno pokazuju superiornost predloženog sustava nad tradicionalnim trgovačkim strategijama i drugim modelima strojnog učenja. Posebno su impresivne performanse na NFLX dionici s povratom od 41.19%, AAPL s povratom od 24.24% i AMZN dionici s 26.72% povrata, uz održavanje visokih Sharpe omjera. Zaključno, rad unapređuje razumijevanje primjene umjetne inteligencije u financijskom trgovanju i otvara perspektive za razvoj sofisticiranijih automatiziranih trgovačkih sustava.This paper presents an innovative system for automated stock trading in the stock market, integrating deep reinforcement learning and advanced natural language processing. The research addresses challenges in automated trading, including market volatility, the complexity of financial data, and the need to adapt trading strategies continuously. The work begins with a comprehensive review of financial markets and the efficient market hypothesis, establishing a theoretical framework for understanding market dynamics. It then focuses on the evolution of natural language processing techniques, emphasizing the Transformer architecture and its application in financial text analysis. Deep reinforcement learning and its application in the context of financial trading are explored in detail. The research methodology encompasses the development of two models: PrimoGPT, a specialized model for generating NLP features from financial texts, and PrimoRL, a deep reinforcement learning model for making trading decisions. PrimoGPT, based on advanced Transformer architecture, demonstrates the ability to interpret complex financial information, while PrimoRL exhibits exceptional adaptability in dynamic market conditions. Experimental evaluation was conducted on stocks of leading technology companies over seven months. Results consistently show the proposed system's superiority over traditional trading strategies and other machine learning models. Particularly impressive performances were observed on NFLX stock, with a return of 41.19%, AAPL stock, with a return of 24.24%, and AMZN stock, with a 26.72% return, while maintaining high Sharpe ratios. In conclusion, this work advances the understanding of artificial intelligence applications in financial trading and opens perspectives for developing more sophisticated automated trading systems
Implementacija višeagentnog sustava umjetne inteligencije za donošenje financijskih trgovačkih odluka
No full textPrimjena umjetne inteligencije u financijskim analizama dovodi do razvoja naprednih višeagentnih sustava koji omogućuju učinkovitiju analizu i donošenje odluka od dosadašnjih metoda. Ovaj rad predstavlja razvoj i implementaciju višeagentnog sustava umjetne inteligencije za generiranje financijskih trgovačkih preporuka koji integrira specijalizirane agente za prikupljanje podataka, tehničku analizu, obradu vijesti i upravljanje portfeljem. Sustav kombinira kvantitativnu analizu zasnovanu na tehničkim indikatorima s kvalitativnim uvidima iz financijskih vijesti tehnikama obrade prirodnog jezika, poput inženjeringa upita i generiranja s pomoću pretraživanja. Arhitektura ovoga sustava omogućuje samostalno djelovanje četiri specijalizirana agenta koji pridonose generiranju trgovačkih preporuka. Evaluacija provedena na sedam reprezentativnih dionica tijekom šestomjesečnog razdoblja 2025. godine pokazuje značajno poboljšanje u upravljanju rizikom u odnosu na referentnu strategiju „kupi i drži“. Rezultati prikazuju značajno smanjenje volatilnosti i maksimalnog pada većine analiziranih dionica, posebno kod visoko volatilnih dionica poput Tesle gdje sustav održava maksimalni pad na 7,72 % u odnosu na 47,84 % referentne strategije. Sustav prilagođava trgovačke preporuke različitim tržišnim uvjetima i specifičnostima svake dionice, čime održava stabilnost portfelja u razdobljima kada su tržišta nestabilna. Analiza financijskih vijesti s pomoću NLP-a omogućuje sustavu da prepozna je li vijest pozitivna ili negativna, koliko je važna za dionicu i kako bi mogla utjecati na njezinu cijenu. Unatoč identificiranim ograničenjima u vidu opreznijeg pristupa tijekom snažnih uzlaznih trendova, modularnost ove arhitekture omogućuje kontinuirani razvoj i optimizaciju pojedinih komponenti. Istraživanje potvrđuje vrijednost višeagentnih pristupa u integraciji različitih izvora podataka za poboljšanje procesa donošenja trgovačkih odluka
Applying machine learning methods to predict the movement of stock market index
Get PDFPredviđanja na tržištu kapitala jedan su od izazova kako za trgovce tako i za istraživače zbog svoje nelinearne i nestabilne strukture. S razvojem računalnih znanosti i informacijskih tehnologija nastaju novi pristupi temeljeni na strojnom učenju za poboljšanje procesa vezanih za trgovanja na tržištu kapitala. Ove nove metode prvenstveno su vezane za razvoj modela za predviđanje trendova pojedinih dionica ili burzovnih indeksa. U ovom radu korištene su povratne neuronske mreže (RNN) za predviđanje vrijednosti burzovnih indeksa (Dow Jones i NASDAQ) i za predviđanje kretanja trenda burzovnih indeksa u obliku binarne klasifikacije (porast/pad ili gore/dolje). U navedenim zadatcima korišteno je pet različitih kombinacija ulaznih varijabli za model RNN: zaključna vrijednost indeksa, zaključna vrijednost indeksa s tehničkim indikatorima, zaključna vrijednost indeksa s naslovima Reuters portala novosti, zaključna vrijednost indeksa s FinSentS sentiment podatcima i zaključna vrijednost indeksa s tehničkim indikatorima, naslovima Reuters portala novosti i s FinSentS sentiment podatcima. Svi provedeni eksperimenti dali su rezultate usporedive s rezultatima dostupnih, relevantnih znanstvenih članaka. Najbolji rezultat u predviđanju vrijednosti burzovnog indeksa i predviđanja kretanja trenda u obliku gore/dolje dobiveni su kombinacijom RNN sa zaključnom vrijednosti burzovnog indeksa i FinSentS sentiment podatcima. Ovi rezultati otvaraju prostor za brojne druge primjene koje koriste tehnike strojnog učenja za razvoj strategija trgovanja i sustava za automatizirano trgovanje.Stock market predictions constitute one of the challenges for traders and explorers due to its nonlinear and unstable structure. With the developments in computer science and information technology, new approaches are arising based on machine learning to improve the processes related to stock market trading. These novel methods are primarily directed towards the development of models for the prediction of trends of the particular stock values or stock indexes. In this paper, recurrent neural networks (RNN) have been used for stock index values forecasting (Dow Jones and NASDAQ) and for predicting stock indexes trends in the form of binary classification (rising/falling or up/down). Five different combinations of input variables for RNN were used in mentioned tasks: closing index values, closing index values with technical indicators, closing index values with Reuters News titles classes, closing index values with FinSentS sentiments, and closing index values with Reuters News titles classes and FinSentS sentiments. All conducted experiments produced results comparable with the results in the accessible, relevant scientific articles. Best results in forecasting stock index values and predicting future trends in the form of up/down classes were obtained by combining RNN with closing values and FinSentS sentiments. These results are opening a space for numerous other applications which are using machine learning techniques in the tasks for developing of the trading strategy and systems for automated tradin
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
- …
