Μελέτη οικονομικών στοιχείων για την πρόβλεψη συμπεριφοράς τους στη σύγχρονη οικονομική πραγματικότητα με χρήση τεχνητών νευρωνικών δικτύων

Ξενάκης, Κωνσταντίνος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Ξενάκης, Κωνσταντίνος
dc.date.accessioned	2024-12-17T10:56:37Z
dc.date.available	2024-12-17T10:56:37Z
dc.date.issued	2024-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17258
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4681
dc.description.abstract	Η σωστή πρόβλεψη των κινήσεων των τιμών στα χρηματιστήρια έχει προφανή οικονομικά οφέλη. Η εργασία επιλύεται παραδοσιακά με την ανάλυση της υποκείμενης εταιρείας ή της ιστορικής εξέλιξης των τιμών της μετοχής της εταιρείας. Μια τρίτη επιλογή που βρίσκεται υπό ενεργό έρευνα είναι η δημιουργία ενός προγνωστικού μοντέλου της μετοχής χρησιμοποιώντας μηχανική μάθηση. Η παρούσα διατριβή ακολουθεί την τελευταία προσέγγιση, στην οποία παρουσιάζεται ένας αλγόριθμος μηχανικής μάθησης με δεδομένα ιστορικού αποθέματος. Ο αλγόριθμος χρησιμοποιεί αυτές τις πληροφορίες για να εκπαιδεύσει ένα μοντέλο που αναμένεται να συνάγει μελλοντικές τιμές με βάση τις πρόσφατες πληροφορίες τιμών. Η μηχανική μάθηση είναι ένα μεγάλο πεδίο στην επιστήμη των υπολογιστών και βρίσκεται υπό συνεχή ανάπτυξη. Οι ανακαλύψεις σε μια οικογένεια μοντέλων μηχανικής μάθησης γνωστών ως τεχνητά νευρωνικά δίκτυα έχουν προκαλέσει αυξημένο ενδιαφέρον για αυτά τα μοντέλα, συμπεριλαμβανομένης της εφαρμογής τους για οικονομική πρόβλεψη. Με μια πληθώρα διαθέσιμων μοντέλων, η επιλογή μεταξύ τους είναι δύσκολη, ειδικά λαμβάνοντας υπόψη τη συνεχή ροή των αναδυόμενων μοντέλων και των τεχνικών εκμάθησης. Αρχικά, στο πρώτο κεφάλαιο παρουσιάζεται η έννοια της μηχανικής μάθησης και τα είδη αυτής. Στο δεύτερο κεφάλαιο της εργασίας αναλύεται η έννοια του χρηματιστηρίου. Οι κανόνες που το διέπουν, τα στοιχεία τα οποία είναι απαραίτητα να είναι γνωστά έτσι ώστε να υπάρχει πλήρης κατανόηση της δημιουργίας των μοντέλων πρόβλεψης. Εν συνεχεία, το τρίτο κεφάλαιο αφιερώθηκε στην ανάλυση του ορισμού της πρόβλεψης και των αρχών που την διέπουν. Παρουσιάζονται οι βασικότερες μέθοδοι πρόβλεψης και τέλος εξετάζονται τα μέτρα αξιολόγησης και τα ενδεχόμενα σφάλματα. Στο τέταρτο κεφάλαιο προσεγγίζονται οι κυριότερες χρονοσειρές που σε συνδυασμό με το επιλεγμένο προβλεπτικό μοντέλο θα συγκροτήσουν τον αλγόριθμο ώστε να στηθεί το νευρωνικό δίκτυο για την πρόβλεψη της τιμής μιας μετοχής. Στο πέμπτο κεφάλαιο γίνεται θεωρητική εισαγωγή στα νευρωνικά δίκτυα, παρουσιάζεται η αρχιτεκτονική τους και αναλύονται τα βασικότερα νευρωνικά τεχνητά δίκτυα. Τέλος, στο έκτο κεφάλαιο θα γίνει ο πειραματικός έλεγχος με τη χρήση κατάλληλων λογισμικών και κλείνοντας θα γίνει η συμπερασματική προσέγγιση των αποτελεσμάτων.	el
dc.format.extent	89	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.title	Μελέτη οικονομικών στοιχείων για την πρόβλεψη συμπεριφοράς τους στη σύγχρονη οικονομική πραγματικότητα με χρήση τεχνητών νευρωνικών δικτύων	el
dc.title.alternative	Study of financial data to predict their behavior in modern economic reality using artificial neural networks	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	The economic benefits of accurately predicting price movements in the stock market are obvious. This task has traditionally been solved by analyzing the underlying companies and their historical share prices. A third option is to build a stock price forecasting model using machine learning. Following the latter approach, this paper presents a machine learning algorithm that uses historical stock price data. The algorithm uses this information to train a model that infer future stock prices based on recent stock price information. Machine learning is an important branch of computer science and is in constant development. Dramatic advances in the class of machine learning models known as artificial neural networks have led to increased interest in such models, including their application to financial forecasting. With so many models available, it is difficult to choose among them, especially given that new models and learning techniques are constantly emerging. Initially, the first chapter presents the concept of machine learning and its types. In the second chapter of the paper, the concept of the stock market is analyzed. The rules that govern it, the elements that are necessary to be known so that there is a full understanding of the creation of the forecasting models. Subsequently, the third chapter was devoted to the analysis of the definition of forecasting and the principles governing it. The most basic forecasting methods are presented and finally the evaluation measures and possible errors are examined. In the fourth chapter, the main time series are approached which, in combination with the selected predictive model, will constitute the algorithm to set up the neural network for predicting the price of a share. In the fifth chapter, a theoretical introduction to neural networks is given, their architecture is presented and the most basic neural artificial networks are analyzed. Finally, in the sixth chapter, the experimental control will be done with the use of appropriate software and, closing, the conclusive approach to the results will be made.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Οικονομικά στοιχεία	el
dc.subject.keyword	Πρόβλεψη	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	Χρονοσειρές	el
dc.subject.keyword	Προβλεπτικά μοντέλα	el
dc.date.defense	2024-03-20

Αρχεία σε αυτό το τεκμήριο

Name:: Xenakis_ 2051.pdf
Μέγεθος:: 3.449Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα