Προβλέψεις χρονολογικών σειρών μέσω τεχνητών νευρωνικών δικτύων

Abstract

Η δυνατότητα προβλέψεων με βάση ιστορικά δεδομένα χρονοσειρών είναι πολύ σημαντική και έχει εφαρμογές σε πολλούς τομείς, όπως η οικονομετρία, τα χρηματοοικονομικά, το περιβάλλον, η βιολογία, οι τηλεπικοινωνίες και πολλοί άλλοι. Σκοπός αυτής της εργασίας είναι η λεπτομερής παρουσίαση ενός μεγάλου εύρους μεθόδων πρόβλεψης χρονοσειρών που βασίζονται σε τεχνητά νευρωνικά δίκτυα πρόσθιας τροφοδότησης (feed-forward neural networks). Πιο συγκεκριμένα, θα περιγραφούν και θα υλοποιηθούν αλγόριθμοι ανάπτυξης νευρωνικών δικτύων Συνέλιξης (Convolutional Neural Networks) και Πολυεπίπεδων Αντίληπτρων (Multilayer Perceptron). Tα δίκτυα αυτά θα εκπαιδευτούν χρησιμοποιώντας ιστορικά δεδομένα από τη χρονοσειρά του QQQ ETF της Invesco, η οποίο στοχεύει στο να αντιγράψει την πορεία του δείκτη Nasdaq-100. Επίσης, θα αξιοποιήσουμε και κάποιες από τις σημαντικότερες μετοχές που συμβάλουν στη διαμόρφωση αυτού του δείκτη. Η απόδοση των προβλέψεων των μοντέλων θα εξεταστεί εμπειρικά, και θα συγκριθεί με παραδοσιακές μεθόδους πρόβλεψης, όπως το υπόδειγμα ARIMA.