Ανάλυση, μοντελοποίηση και πρόγνωση του δείκτη ναυλαγοράς Baltic Dry Index (BDI) με χρήση machine learning αλγορίθμων και νευρωνικών δικτύων
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Κουτσούκος, Δημήτριος | |
| dc.date.accessioned | 2022-04-01T10:29:32Z | |
| dc.date.available | 2022-04-01T10:29:32Z | |
| dc.date.issued | 2022-03 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14273 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1696 | |
| dc.description.abstract | Στα πλαίσια της παρούσας διπλωματικής εργασίας πραγματοποιείται βιβλιογραφική ανασκόπηση ερευνών οι οποίες χρησιμοποιούν αλγορίθμους μηχανικής μάθησης και νευρωνικά δίκτυα με σκοπό την πρόβλεψη του χρηματιστηριακού δείκτη Baltic Dry Index (BDI). Οι έρευνες αυτές θα κατηγοριοποιηθούν ανάλογα τον τρόπο μοντελοποίησης και πρόβλεψης που χρησιμοποιούν. Επίσης θα γίνει εκτενής αναφορά στον τρόπο με τον οποίο λειτουργεί το σύστημα της μεταφοράς χύδην ξηρού φορτίου και στους παράγοντες από τους οποίους επηρεάζεται ο δείκτης ναυλαγοράς και κατά συνέπεια και η τιμή των ναύλων, με στόχο την κατανόηση των συσχετίσεων που υπάρχουν στο σύστημα και επομένως τον καθορισμό του τρόπου δόμησης του μοντέλου που θα δημιουργηθεί για την πρόβλεψη του δείκτη. Επιπροσθέτως θα αναλυθεί ο τρόπος λειτουργείας των αλγορίθμων μηχανικής μάθησης οι οποίοι χρησιμοποιούνται στην βιβλιογραφία για πρόβλεψη του δείκτη με σκοπό την εύρεση των αλγορίθμων οι οποίοι προσαρμόζονται καλύτερα στις ιδιαιτερότητες του χρηματιστηριακού δείκτη. Θα αναλυθεί ο τρόπος με τον οποίο θα γίνει η συλλογή, η προεπεξεργασία και η μοντελοποίησης των δεδομένων με σκοπό την χρήση τους στους κατάλληλους αλγορίθμους μηχανικής μάθησης. Στην συνέχεια θα πραγματοποιηθεί μονομεταβλητή και πολυμεταβλητή ανάλυση (Univariate / Multivariate analysis) με σκοπό να εξεταστεί αν κάποια από τις δύο προσεγγίσεις παράγει ακριβέστερο μοντέλο πρόβλεψης του δείκτη ναυλαγοράς BDI. Τέλος θα γίνει σύγκριση των πιο αποτελεσματικών μοντέλων για κάθε μία από τις μεθόδους ανάλυσης ενώ θα επιχειρηθεί βελτίωση του μοντέλου πρόβλεψης του δείκτη, δοκιμάζοντας τον συνδυασμό των μοντέλων που επιτυγχάνουν βέλτιστη πρόβλεψη. | el |
| dc.format.extent | 150 | 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 | Ανάλυση, μοντελοποίηση και πρόγνωση του δείκτη ναυλαγοράς Baltic Dry Index (BDI) με χρήση machine learning αλγορίθμων και νευρωνικών δικτύων | el |
| dc.title.alternative | Analysis, modeling and forecasting of the Baltic Dry Index (BDI) using machine learning algorithms and neural networks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | In the framework of this Thesis, a literature review is carried out among articles that use machine learning algorithms and neural networks in order to predict the Baltic Dry Index (BDI). These surveys will be categorized according to their modeling work and prediction analysis. There will also be extensive reference to the way in which the bulk cargo transport system operates and to the factors that affect the Baltic dry index and consequently the freight rates, in order to understand the correlations that exist in the system and therefore determining the structure of the model that will be created to predict the index. In addition, the operation of the machine learning algorithms used in the literature to predict the index will be analyzed in order to find the algorithms that are best adapted to the specifics of the Baltic Dry index. The way in which the data will be collected, pre-processed and modeled in order to use them in the appropriate machine learning algorithms will be analyzed. Univariate / Multivariate analysis will then be performed to examine whether either approach produces a more accurate model for predicting the BDI freight rate index and finally, the most effective models for each of the analysis methods will be compared while an attempt will be made to improve the index forecasting model by testing the combination of the models that achieve optimal forecasting. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Πρόγνωση χρονοσειρών | el |
| dc.subject.keyword | Δείκτης ναυλαγοράς BDI | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.date.defense | 2022-02-28 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα