dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
dc.contributor.author | Παλληκάρης, Ηρακλής | |
dc.date.accessioned | 2023-12-11T06:51:30Z | |
dc.date.available | 2023-12-11T06:51:30Z | |
dc.date.issued | 2023-10-12 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16094 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3516 | |
dc.description.abstract | Στα πλαίσια της συγκεκριμένης διπλωματικής εργασίας το πρόβλημα το οποίο εξετάστηκε, αφορούσε την πρόβλεψη χρονοσειρών στο χρηματιστήριο με χρήση νευρωνικών δικτύων. Από βιβλιογραφικής άποψης αρχικά παρουσιάστηκαν εισαγωγικές έννοιες περί νευρωνικών δικτύων και μεθόδων πρόβλεψης χρονοσειρών. Όσο αφορά το πρακτικό μέρος της διπλωματικής εργασίας, αποφασίστηκε να δοκιμαστούν τρεις διαφορετικές τοπολογίες νευρωνικών δικτύων και ελήφθησαν πειραματικά αποτελέσματα για διάφορα χρονικά παράθυρα πρόβλεψης. Η αξιολόγηση των τριών διαφορετικών αρχιτεκτονικών πραγματοποιήθηκε ως προς την μετρική RMSE, αλλά και ως προς την χρήση γραφικών παραστάσεων για την σύγκριση μεταξύ προβλεπόμενων και πραγματικών τιμών. Επίσης αξίζει να αναφερθεί ότι η πειραματική διαδικασία πραγματοποιήθηκε σε περιβάλλον MATLAB και το σύνολο των δεδομένων εισόδου προερχόταν από τον χρηματιστηριακό δείκτη S & P 500. Ένα πρώτο συμπέρασμα, το οποίο προέκυψε από την πραγματοποίηση της πειραματικής διαδικασίας είναι ότι και στις 3 περιπτώσεις αρχιτεκτονικών και για όλες τις τιμές χρονικών παραθύρων ελήφθησαν ικανοποιητικά αποτελέσματα όσο αφορά το σφάλμα μεταξύ πραγματικών και προβλεπόμενων τιμών. Ένα δεύτερο συμπέρασμα το οποίο προέκυψε είναι ότι ο μεγάλος όγκος του συνόλου δεδομένων (εγγραφές οι οποίες καλύπτουν τα έτη 1950 έως 2014), αλλά και η κανονικοποίηση των δεδομένων η οποία εφαρμόστηκε, συνέβαλλαν με θετικό τρόπο στην αύξηση της ποιότητας των αποτελεσμάτων .Επιπλέον, το περιβάλλον MATLAB αποτέλεσε ένα αρκετά χρήσιμο εργαλείο για την πραγματοποίηση της πειραματικής διαδικασίας. Σημαντικά πλεονεκτήματα είναι το φιλικό προς τον χρήστη περιβάλλον διεπαφής, αλλά και η χρήση έτοιμων συναρτήσεων για την δημιουργία του εκάστοτε νευρωνικού δικτύου. Επιπλέον, η εύκολη δημιουργία γραφικών παραστάσεων διαδραμάτισε σημαντικό ρόλο στην ανάλυση και οπτικοποίηση των δεδομένων. | el |
dc.format.extent | 81 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.title | Νευρωνικά δίκτυα και εφαρμογές αυτών για την πρόβλεψη χρονοσειρών στο χρηματιστήριο | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | In the context of this thesis, the problem that was examined concerned the prediction of time series in the stock market using neural networks. From a bibliographic point of view, introductory concepts on neural networks and time series prediction methods were initially presented. As for the practical part of the thesis, it was decided to test three different neural network topologies, and experimental results were obtained for various prediction time windows. The evaluation of the three different architectures was carried out in terms of the RMSE metric, but also in terms of the use of graphs to compare predicted and actual values. It is also worth mentioning that the experimental procedure took place in a MATLAB environment and all the input data came from the S & P 500 stock index. A first conclusion, derived from carrying out the experimental procedure is that in all 3 cases of architectures and for all time window values satisfactory results were obtained in terms of the error between actual and predicted values. A second conclusion is that the large volume of the dataset (records covering the years 1950 to 2014), as well as the normalization of the data implemented, contributed in a positive way to the increase in the quality of the results .In addition, the MATLAB environment has been a quite useful tool for carrying out the experimental process. Important advantages are the user-friendly interface, as well as the use of ready-made functions for the creation of each neural network. In addition, the easy creation of graphs played an important role in the analysis and visualization of data. | el |
dc.corporate.name | Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του ΕΚΕΦΕ «Δημόκριτος» | el |
dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Πρόβλεψη χρονοσειρών | el |
dc.subject.keyword | MATLAB | el |
dc.date.defense | 2023-11-02 | |