Εμφάνιση απλής εγγραφής

Πρόβλεψη χρηματιστηριακών δεικτών με τεχνικές εξόρυξης δεδομένων σε υβριδικές πηγές δεδομένων

dc.contributor.advisorΠελέκης, Νικόλαος
dc.contributor.authorΜήτση, Χρυσαυγή Χ.
dc.date.accessioned2017-07-11T15:50:27Z
dc.date.available2017-07-11T15:50:27Z
dc.date.issued2016-06
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/9769
dc.description.abstractΣτις μέρες μας η πρόβλεψη χρονοσειρών και μάλιστα αποτελούμενων από χρηματοοικονομικά δεδομένα αποτελεί αναμφισβήτητα αντικείμενο εκτεταμένης ερευνητικής δραστηριότητας. Πράγματι, στη χρηματοοικονομική επιστήμη η ανάλυση χρονοσειρών εφαρμόζεται ευρέως για την πρόβλεψη των τιμών των διεθνών και εθνικών χρηματαγορών αλλά και σε εφαρμογές που σχετίζονται με τη διαδικασία πρόβλεψης είτε χρηματοοικονομικών κρίσεων είτε επενδυτικών στρατηγικών. Είναι γεγονός, ακόμη, ότι τα σύγχρονα συστήματα υποστήριξης λήψης αποφάσεων βασίζονται σε πληροφόρηση που προέρχεται κυρίως από δομημένα δεδομένα αγνοώντας τα αδόμητα, τα οποία δύναται να προσφέρουν σημαντική πληροφόρηση. Αυτό, σε συνδυασμό με τη ραγδαία ανάπτυξη της τεχνολογίας συντέλεσε στη δημιουργία νέων δυναμικών εργαλείων μετατροπής των αδόμητων δεδομένων σε δομημένη πληροφορία, η οποία σε συνδυασμό με τη πληροφόρηση από τα δομημένα θα ωφελήσει τους επενδυτές, προκειμένου για λήψη βέλτιστης απόφασης. Την ανάγκη αυτή καλείται να καλύψει ένας νέος κλάδος της επιστήμης, η εξόρυξη δεδομένων, που αποτελεί ένας συνδυασμό ετερόκλητων επιστημονικών πεδίων όπως της στατιστικής, της μηχανικής μάθησης, της θεωρίας της πληροφορίας και των υπολογιστικών διαδικασιών. Στη παρούσα εργασία παρουσιάζουμε ένα καινοτόμο σύστημα επεξεργασίας υβριδικών δεδομένων προκειμένου για πρόβλεψη της τάσης τραπεζικών μετοχών του Χρηματιστηρίου Αθηνών για το έτος 2014. Για το λόγο αυτό εξετάζονται τρεις εφαρμογές του συστήματος σε διαφορετικά σύνολα δεδομένων (αριθμητικά, κειμενικά και υβριδικά) και αξιολογούνται προκειμένου να εντοπιστεί η αποτελεσματικότερη εφαρμογή. Στο σύστημα εφαρμόζονται τεχνικές κατηγοριοποίησης και συσταδοποίησης σε σύνολα κατηγορικών δεδομένων ενώ συγχρόνως παρουσιάζονται οι βασικότερες έννοιες και μέθοδοι που χρησιμοποιούνται κατά τη διάρκεια της κατηγοριοποίησης, ομαδοποίησης και πρόβλεψης. Σκοπός της εργασίας είναι εξηγώντας τις μεθόδους της εξόρυξης δεδομένων, να αναδειχθεί η χρησιμότητά της στα χρηματοοικονομικά δεδομένα καθώς και η σημασία της για την εξαγωγή σημαντικών συμπερασμάτων από αδόμητα και δύσκολα στη χρήση τους δεδομένα.el
dc.format.extent118el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleΠρόβλεψη χρηματιστηριακών δεικτών με τεχνικές εξόρυξης δεδομένων σε υβριδικές πηγές δεδομένωνel
dc.title.alternativePrediction of stock market indices with data mining techniques in hybrid data sourcesel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμηςel
dc.description.abstractENNowadays, time series prediction, especially in the case of financial time series, is undoubtedly a matter of widespread research activity. Indeed, in finance, time series analysis is applied widely not only for the purposes of predicting prices of international and national markets but also it is used for the prediction of financial crises or / and investment strategies. It is also a fact that modern decision support systems are based on information extracted from structured data. So, by neglecting the unstructured data may provoke the loss of significant information. This, in combination with the rapid development of technology has led to the need for new dynamic tools that will help transform unstructured data into structured information, which when combined with information extracted from structured data will help investments to make the best decision. A new field of science, called data mining, is going to supply that need. It is about a combination of different sciences such us statistics, machine learning, information theory and computational procedures. In this thesis we introduce an innovative data processing system in order to predict the trend of banking shares of Athens Stock Exchange for the year 2014. Therefore, are examined three applications of the system in different data sets (arithmetic, text and hybrid) and then are evaluated so as to identify the more effective one. In this system are applied classification and clustering techniques in categorical data while presented the most basic concepts and methods used by classification, clustering and prediction techniques in data mining. The aim of this thesis is by explaining data mining methods, to demonstrate not only its usefulness in finance but also its significance for drawing meaningful conclusions from unstructured and difficult in use data.el
dc.contributor.masterΕφαρμοσμένη Στατιστικήel
dc.subject.keywordΧρονοσειρέςel
dc.subject.keywordΕξόρυξη δεδομένωνel
dc.subject.keywordΧρηματιστήριο Αξιών Αθηνώνel
dc.subject.keywordΠροβλέψειςel
dc.subject.keywordΧρηματιστηριακοί δείκτεςel


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Επικοινωνήστε μαζί μας
Στείλτε μας τα σχόλιά σας
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»