Ανίχνευση γεγονότων ανόδου / καθόδου σε limit-order-book δεδομένα αγορών με χρήση SVM ταξινομητών
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Καραμαντάς, Ανάργυρος | |
| dc.date.accessioned | 2018-12-05T07:07:47Z | |
| dc.date.available | 2018-12-05T07:07:47Z | |
| dc.date.issued | 2018 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11758 | |
| dc.description.abstract | Τα limit order book δεδομένα περιλαμβάνουν πληροφορίες σχετικές με κάποια συναλλαγή που έχει πραγματοποιηθεί στο παρελθόν. Στην προκειμένη περίπτωση οι συναλλαγές αφορούν την τιμή του κρυπτοσυναλλάγματος Bitcoin. Χρησιμοποιώντας μια μηχανή διανυσμάτων επιτήρησης (SVM) και κατά επέκταση μια προσέγγιση κανονικοποίησης, τα δεδομένα αυτά οργανώνονται και μπορούν να προσφέρουν μελλοντικά αποτελέσματα τα οποία βρίσκονται πολύ κοντά στην πραγματική τιμή του Bitcoin. Το πρακτικό μέρος εφαρμόζεται σε γλώσσα προγραμματισμού Matlab. Τα αποτελέσματα, γραφικά και αριθμητικά, δείχνουν τις πιθανότητες να συμβεί ή να μην συμβεί την επόμενη χρονική στιγμή ένα σωστά προβλεπόμενο γεγονός. Σκοπός είναι να βρεθεί η βέλτιστη επιλογή παραμέτρων για να επιτευχθεί το βέλτιστο χρονικό και ποιοτικό αποτέλεσμα. | el |
| dc.format.extent | 133 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Ανίχνευση γεγονότων ανόδου / καθόδου σε limit-order-book δεδομένα αγορών με χρήση SVM ταξινομητών | el |
| dc.title.alternative | An SVM-based classification approach for the detection of upward / downward events in limit-order-book market data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Limit order book data include information about a transaction that has been completed in the past. In this case, the transactions related to the cryptographic value known as Bitcoin. By using SVM and also by extension, a classification approach, these data are organized and offer future results that are very close to Bitcoin's actual future value. The practical part is applied to Matlab programming language. The results, graphical and numerical, show the possibility of a well-predicted event occurring or not occurring at the next moment. The aim is to find the optimal parameter’s selection and achieve the best time and quality result. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Limit-order-book | el |
| dc.date.defense | 2018-11-01 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές