Τεχνικές εξόρυξης δεδομένων και νευρωνικών δικτύων σε οικονομικά δεδομένα

Abstract

Σκοπός της παρούσας εργασίας αποτελεί η μελέτη και κατανόηση των νευρωνικών δικτύων και της μηχανικής μάθησης γενικότερα, έπειτα από την εφαρμογή τους σε ένα σετ χρονοσειρών χρηματιστηρίου, το οποίο αποτελείται από γνωστές εταιρίες πληροφορικής. Το πρόβλημα της δημιουργίας προβλέψεων για τιμές χρηματιστηρίου, γίνεται ολοένα και πιο περιζήτητο, αφού αυξάνεται συνεχώς το μέγεθος των δεδομένων που μπορούν να χρησιμοποιηθούν για την εκπαίδευση και μελέτη αλγορίθμων. Επιπρόσθετα, αποτελεί πρόκληση η εύστοχη πρόβλεψη χρηματιστηριακών τιμών τόσο για τις ίδιες τις εταιρείες όσο και για ιδιώτες που ασχολούνται ενεργά με αυτό τον κλάδο. Τα νευρωνικά δίκτυα με τα οποία θα ασχοληθούμε, αποτελούν μέθοδο Βαθιάς Μάθησης και είναι μέρος της Τεχνητής Νοημοσύνης. Είναι υπολογιστικά συστήματα εμπνευσμένα από τα βιολογικά νευρωνικά δίκτυα του ανθρώπινου εγκεφάλου. Έτσι ο αρχικός σκοπός τους ήταν να δώσουν λύσεις σε προβλήματα, με τον ίδιο τρόπο που δίνει λύσεις ο ανθρώπινος εγκέφαλος. Στη συγκεκριμένη εργασία, θα ασχοληθούμε εκτενέστερα με δύο είδη επαναλαμβανόμενων νευρωνικών δικτύων και ένα είδος Perceptron. Ξεκινάμε την εργασία, παρουσιάζοντας κάποια εισαγωγικά στοιχεία, όσον αφορά την μηχανική μάθηση και τα είδη της. Στο Κεφάλαιο 2, αναφερόμαστε στα χαρακτηριστικά των χρονοσειρών. Στη συνέχεια στο Κεφάλαιο 3 αναλύονται οι διάφοροι αλγόριθμοι πρόβλεψης, αναλόγως το διαθέσιμο σύνολο δεδομένων κάθε φοράς και η εργασία προχωρά στο Κεφάλαιο 4 όπου αναλύονται βασικά Νευρωνικά Δίκτυα που θα χρησιμοποιηθούν στην πορεία για το πειραματικό μέρος. Τέλος, στο Κεφαλαίο 5 με την βοήθεια των χρονοσειρών Amazon, Google, Apple μοντελοποιούνται τα νευρωνικά δίκτυα του κεφαλαίου 4 και αξιολογούνται με κατάλληλα μέτρα αξιολόγησης ως προς την ικανότητα πρόβλεψης μελλοντικών τιμών.