dc.contributor.advisor | Μπούτσικας, Μιχαήλ | |
dc.contributor.author | Χαϊδεμένος, Κωνσταντίνος | |
dc.date.accessioned | 2023-11-03T06:52:08Z | |
dc.date.available | 2023-11-03T06:52:08Z | |
dc.date.issued | 2023-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15874 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3296 | |
dc.description.abstract | Η δυνατότητα προβλέψεων με βάση ιστορικά δεδομένα χρονοσειρών είναι πολύ σημαντική και έχει εφαρμογές σε πολλούς τομείς, όπως η οικονομετρία, τα χρηματοοικονομικά, το περιβάλλον, η βιολογία, οι τηλεπικοινωνίες και πολλοί άλλοι. Σκοπός αυτής της εργασίας είναι η λεπτομερής παρουσίαση ενός μεγάλου εύρους μεθόδων πρόβλεψης χρονοσειρών που βασίζονται σε τεχνητά νευρωνικά δίκτυα πρόσθιας τροφοδότησης (feed-forward neural networks). Πιο συγκεκριμένα, θα περιγραφούν και θα υλοποιηθούν αλγόριθμοι ανάπτυξης νευρωνικών δικτύων Συνέλιξης (Convolutional Neural Networks) και Πολυεπίπεδων Αντίληπτρων (Multilayer Perceptron). Tα δίκτυα αυτά θα εκπαιδευτούν χρησιμοποιώντας ιστορικά δεδομένα από τη χρονοσειρά του QQQ ETF της Invesco, η οποίο στοχεύει στο να αντιγράψει την πορεία του δείκτη Nasdaq-100. Επίσης, θα αξιοποιήσουμε και κάποιες από τις σημαντικότερες μετοχές που συμβάλουν στη διαμόρφωση αυτού του δείκτη. Η απόδοση των προβλέψεων των μοντέλων θα εξεταστεί εμπειρικά, και θα συγκριθεί με παραδοσιακές μεθόδους πρόβλεψης, όπως το υπόδειγμα ARIMA. | el |
dc.format.extent | 159 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Προβλέψεις χρονολογικών σειρών μέσω τεχνητών νευρωνικών δικτύων | el |
dc.title.alternative | Neural networks for time-series forecasting | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | The ability to make predictions based on historical time series data is highly significant and has applications in various fields such as econometrics, finance, environmental science, biology, telecommunications, and many others. The purpose of this MSc Thesis is to provide a detailed presentation of a wide range of time series prediction methods based on feed-forward artificial neural networks. More specifically, algorithms for developing Convolutional Neural Networks and Multilayer Perceptrons will be described and implemented. These networks will be trained using historical data from the QQQ ETF time series by Invesco, which aims to replicate the performance of the Nasdaq-100 index. Additionally, we will leverage some of the most significant stocks that contribute to the formation of this index. The performance of the model predictions will be empirically examined and compared to traditional forecasting methods such as the ARIMA model. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | MLP | el |
dc.subject.keyword | CNN | el |
dc.subject.keyword | Χρονοσειρές | el |
dc.date.defense | 2023-09-28 | |