04223ntm a22005297i 4500 000727910 CZ-PrVSE 20260315164443.0 m d cr n|||||||||| 260315s2025 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Dědek, Jindřich ISIS:188201 dis ML and Data-Driven Algorithm for Personalized Ranking of Investment Opportunities Based on Fintech Platform Investor Behavior eng ML a Data-driven algoritmus pro personalizované řazení investičních příležitostí na základě chování investorů fintech platformy / Jindřich Dědek 2025 ?? stran : digital, PDF soubor Vedoucí práce: Tomáš Karel Závěrečná práce - Institut celoživotního vzdělávání (MBA)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2026 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2026 Tato MBA práce se zaměřuje na vývoj ML algoritmu pro personalizované řazení investičních příležitostí na investiční platformě. Tedy pro každého investora počítá pravděpodobnost investice ke každé z investičních příležitostí na základě historických investic investora. Hlavním cílem je zejména zrychlit úspěšné proinvestování příležitosti a identifikovat klíčové prediktory pro investici na platformě. Práce implementuje prediktivní model pomocí knihovny XGBoost, který analyzuje více než 7,5 milionu historických kombinací uživatelů a investičních příležitostí. Model zpracovává 36 features zahrnující demografické charakteristiky investorů, parametry investičních příležitostí a behaviorální data. Datová infrastruktura využívá cloudovou platformu Snowflake a Keboola pro přípravu dat a Python pro implementaci a vizualizaci machine learning algoritmu a jeho celé pipeline. Výsledný model dosahuje AUC skóre 0,8902 a lift faktoru 2,91, což znamená, ve skupině predikovaných investorů se nachází 2,91 krát více investorů, než ve skupině náhodně vybrané. Analýza důležitosti features identifikuje vysoké AUM uživatele, nízkou hodnotu úvěru a vysoký úrok jako nejdůležitější prediktory investičního chování. Práce zahrnuje kompletní implementaci od přípravy dat, jejich explorativní analýzy, přes feature engineering a hyperparametrické ladění modelu až po finální trénování modelu a vytvoření webové aplikace pro vizualizaci výsledků. Business case předpokládá zvýšení konverzního poměru investice o 2-3 procentní body a nárůst AUM společnosti o 15-20 %. Závěrečná část práce pojednává o regulatorních výzvách spojených s implementací algoritmu a nabízí doporučení pro pilotní nasazení postupného rollout plánu. Implementované řešení přináší technologickou konkurenční výhodu, neboť podobné personalizační Způsob přístupu: Internet strojové učení datová analýza personalizované doporučování investiční platforma predikce investičního chování fintech Python Karel, Tomáš vse2015858033 ths Fojtík, Jan ISIS:87865 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/94737/podrobnosti VŠKP v InSIS https://aleph.vse.cz/neverejny_soubor_prace.pdf Hlavní práce https://insis.vse.cz/zp/94737/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/94737/posudek/oponent/89602 Oponentura https://aleph.vse.cz/neverejny_soubor_prace.pdf Přiloha k práci https://insis.vse.cz/zp/94737/podrobnosti dc:identifier NEPOSILAT VSKP vse94737 260312 94737