Διαδικτυακή εφαρμογή για την πρόβλεψη μελλοντικών τιμών στο χρηματιστήριο με χρήση νευρωνικών δικτύων
View/ Open
Keywords
Βαθιά μάθηση ; Νευρωνικά δίκτυα ; Χρονοσειρές ; LSTM ; GRU ; SimpleRNNAbstract
Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη διαδικτυακής εφαρμογής για την
πρόβλεψη των μελλοντικών τιμών του Χρηματιστηρίου με τη χρήση τεχνικών νευρωνικών δικτύων.
Στα πλαίσια της διπλωματικής εργασίας, αναπτύχθηκαν νευρωνικά δίκτυα διαφόρων αρχιτεκτονικών
με σκοπό τόσο την ακριβέστερη πρόβλεψη των μελλοντικών τιμών κλεισίματος όσο και την τάση
για διάφορες μετοχές, κυρίως όμως για τις IBM, Tesla και Google. Κατά την εκπαίδευση των
μοντέλων, πραγματοποιήθηκαν διάφορα πειράματα στις παραμέτρους των δικτύων με σκοπό την
καλύτερη απόδοση των μοντέλων. Για κάθε μοντέλο που αναπτύχθηκε δοκιμάστηκε η απόδοσή του
σε πραγματικό σύνολο δεδομένων ελέγχου, ώστε να συγκριθεί και να αξιολογηθεί. Η διαδικτυακή
εφαρμογή κάνει χρήση αυτών μοντέλων, δίνοντας τη δυνατότητα στον χρήστη να επιλέξει το μοντέλο
που τον ενδιαφέρει για πρόβλεψη της τιμής κλεισίματος μιας μετοχής για τον χρονικό ορίζοντα που
δίδεται από την εφαρμογή.
Στην πρώτη ενότητα της εργασίας προσφέρεται την απαραίτητη γνώση που αφορά τόσο στη
μηχανική όσο και στη βαθιά μηχανική μάθηση, για την ανάπτυξη αποδοτικών μοντέλων πρόβλεψης.
Αναλύονται οι αρχιτεκτονικές των τεχνητών νευρωνικών δικτύων, καθώς και ο τρόπος εκπαίδευσης
τους για την ορθή επιλογή κατάλληλων μοντέλων για πρόβλεψη.
Στη δεύτερη ενότητα εξηγούνται βασικές έννοιες των χρονοσειρών, αναλύονται τα
χαρακτηριστικά τους, καθώς και αναφέρονται παραδοσιακές μέθοδοι πρόβλεψης που εφαρμόζονται
για την αναγνώριση της συμπεριφοράς της χρονοσειράς.
Στην τρίτη ενότητα αναπτύσσονται τα τεχνητά νευρωνικά δίκτυα βάση της θεωρίας των δύο
πρώτων ενοτήτων και κατόπιν αξιολόγησης εντοπίζονται τα βέλτιστα μοντέλα που αναπτύχθηκαν.
Επιπροσθέτως, εξάγουμε συμπεράσματα από την γενική απόδοση των μοντέλων βαθιάς μηχανικής
μάθησης για την πρόβλεψη των μελλοντικών τιμών των μετοχών.
Τέλος, στην τέταρτη ενότητα αναπτύσσεται η διαδικτυακή εφαρμογή και παρουσιάζονται οι
δυνατότητές της και το γραφικό περιβάλλον. Έγινε προσπάθεια το περιβάλλον να είναι φιλικό προς
το χρήστη, παρουσιάζοντας διαγράμματα των αποτελεσμάτων που προκύπτουν από τις επιλογές που
διαθέτει η εφαρμογή.
Για την ανάπτυξη των τεχνητών νευρωνικών δικτύων και της διαδικτυακής εφαρμογής,
χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python, η οποία τα τελευταία χρόνια έχει υψηλή
δημοτικότητα στην ανάπτυξη μοντέλων μηχανική και βαθιάς μάθησης. Οι βασικότερες βιβλιοθήκες
που χρησιμοποιήθηκαν είναι οι Pandas, NumPy, Matplotlib, Streamlit, Keras και Tensoflow, οι
οποίες προσφέρουν τις απαραίτητες μεθόδους, κλάσεις και συναρτήσεις που χρειαστήκαμε για την
υλοποίηση της εφαρμογής.