| dc.contributor.advisor | Παναγιωτόπουλος, Θεμιστοκλής | |
| dc.contributor.author | Πάνου, Γεώργιος | |
| dc.date.accessioned | 2022-12-16T06:12:42Z | |
| dc.date.available | 2022-12-16T06:12:42Z | |
| dc.date.issued | 2022-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14911 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2333 | |
| dc.description.abstract | Η παρούσα εργασία έχει σαν αντικείμενο την μελέτη της συμπεριφοράς των εφαρμογών μηχανικής μάθησης στο περιβάλλον των ανταλλακτηρίων χρηματιστηριακών προϊόντων. Για την εκπόνηση της εργασίας έγινε ανάπτυξη αλλά και εκτέλεση αλγορίθμων για την πρόγνωση αστάθειας χρηματιστηριακών προϊόντων. Η ανάπτυξη πραγματοποιήθηκε στα πλαίσια ενός διαγωνισμού του Kaggle, μιας διαδικτυακή κοινότητας επιστημόνων δεδομένων και επαγγελματιών μηχανικής μάθησης. Πραγματοποιήθηκε μια σειρά πειραμάτων και έγινε σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τεχνικών. Επίσης διερευνήθηκε η αύξηση της απόδοσης με χρήση παραλληλισμού στον επεξεργαστή αλλά και με χρήση κάρτας γραφικών. Ο διοργανωτής του διαγωνισμού παρείχε τα δεδομένα για την εκπαίδευση των μοντέλων που αναπτύχθηκαν καθώς και ένα μηχανισμό αξιολόγησης των αλγορίθμων. | el |
| dc.format.extent | 58 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη αστάθειας σε ανταλλακτήρια με μηχανική μάθηση | el |
| dc.title.alternative | Financial markets volatility prediction using machine learning | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Τhe purpose of this project is to study the behavior of machine learning applications in the environment of stock exchanges. In this regard, algorithms were developed and executed to forecast the volatility of stock exchange products. The implementation was developed n the context of a competition which was organized by Kaggle, an online community of data science and machine learning professionals. A series of experiments were performed using different techniques of implementation and their results were compared. Furthermore the performance gains of parallelization of CPU tasks as well as using a GPU were investigated. The organizer of the competition provided the data to be used both for the developed models’ training and as a mechanism for algorithms’ evaluation. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Decision trees | el |
| dc.subject.keyword | LGBM | el |
| dc.subject.keyword | Feature engineering | el |
| dc.date.defense | 2022-11-23 | |
