A pénzügyi idősorok előrejelzése különösen nehéz, ha a mintavételezés nagy frekvenciájú (pl. negyedórás), erős napszaki/hetinapi ciklikusság jelenik meg, és az árak több egymásra épülő piaci “időablakban” alakulnak ki (pl. nap előtti hivatalos ár, majd napon belüli korrekciók). A kérdés tehát az, hogy modern, foundation-jellegű idősor modellekkel (Chronos-2, Granite TTM-R2) és klasszikus gépi tanulással (LightGBM, XGBoost) mennyire lehet stabil, jól kalibrált előrejelzést és gyakorlati döntéstámogatást építeni.

A hallgató feladata a legkorszerűbb time series modellek üzembehelyezése, majd egy nagyfrekvenciás pénzügyi árfolyam/adatfolyam doménprobléma mély feltérképezése: ciklikus jellemzők, késleltetések, “fix időpontokban” érkező hivatalos információk, és többpiacos (vagy több szakaszos) árképzés modellezése. A cél nem csak a pontosság, hanem a robusztusság (drift), a bizonytalanság becslése és a valós döntési helyzetekhez illeszkedő kiértékelés.

A hallgató feladatai

• Adatpipeline és kísérleti keretrendszer kialakítása (reprodukálható futások)
• Legkorszerűbb modellek feltérképezése és üzembehelyezése (Chronos-2, Granite TTM-R2)
• Feature engineering: ciklikus (napszak/nap/ünnep), lag/rolling, esemény-időpontok kezelése
• Klasszikus modellek tanítása és összevetése (LightGBM, XGBoost, baseline-ok)
• Neural/Transformer modellek kiértékelése és finomhangolása (ha indokolt)
• Kiértékelési protokoll: sétáló ablak, drift, kalibráció, bizonytalanság, backtesting jellegű metrikák
• Dokumentáció, reprodukálható pipeline (adatok, tanítás, riport)

A téma szakdolgozatnak, TDK-nak, diplomadolgozatnak továbbfejleszthető.