Πρόβλεψη χρηματοοικονομικών χρονολογικών σειρών
| dc.contributor.advisor | Δουλκερίδης, Χρήστος | |
| dc.contributor.author | Ιωαννίδης, Ματθαίος | |
| dc.date.accessioned | 2018-01-11T11:42:17Z | |
| dc.date.available | 2018-01-11T11:42:17Z | |
| dc.date.issued | 2017-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/10479 | |
| dc.description.abstract | Η πρόβλεψη, ανάλυση και μελέτη των χρηματοοικονομικών μεταβλητών κυρίως μετοχών καθώς και η ανάπτυξη οικονομικής στρατηγικής για το χρηματιστήριο αλλά και γενικότερα, ως αντικείμενα είναι ιδιαίτερα δημοφιλή θέματα, όχι απλώς στον ακαδημαϊκό τομέα αλλά και στον καθένα τον οποίο ενδεχόμενος να τον ενδιαφέρει το κέρδος μέσω αυτής της πρακτικής. Ο λόγος που είναι τόσο δημοφιλής αυτό το αντικείμενο είναι κάτι παραπάνω από προφανής, όλοι θέλουν να κατασκευάσουν ένα μοντέλο το οποίο θα «νικάει» την αγορά, θα προβλέπει πότε θα αυξηθεί μία μετοχή ή το αντίθετο, θα συμβουλεύει τον χρήστη πότε να πουλήσει, πότε να αγοράσει όπως και επίσης μακροπρόθεσμα από ποια μετοχή θα έχει περισσότερα κέρδη, κοκ. Η ανάλυση χρονολογικών σειρών έχει πλήθος τεχνικών που ως σκοπό έχουν την πρόβλεψη τους για την επόμενη χρονική στιγμή, είτε αυτή είναι μία μέρα είτε μία ώρα είτε μία εβδομάδα, κοκ. Όμως η ανάλυση χρονολογικών σειρών δεν μπορεί να λάβει υπόψιν της πλήθος άλλων παραγόντων οι οποίοι αποδεδειγμένα επηρεάζουν την αγορά, πχ. Ειδήσεις. Έτσι, με την ευρεία χρήση της μηχανικής μάθησης, τα τελευταία χρόνια, έχουν προταθεί και δημοσιευθεί πλήθος εργασιών οι οποίες χρησιμοποιώντας κάποια από τις μεθόδους της μηχανικής μάθησης προτείνουν κάποια μέθοδο και παρουσιάζουν τα αντίστοιχα αποτελέσματα. Προχωρώντας ένα βήμα παραπέρα, πλέον οι προβλέψεις πραγματοποιούνται με συνδυασμούς τεχνικών, πχ. νευρωνικών δικτύων με ανάλυση συναισθήματος και χρήση ιστορικών δεδομένων, με τα αποτελέσματα να βελτιώνονται συνεχώς. Η παρούσα διατριβή διαπραγματεύεται την ανάλυση, μελέτη (χτίσιμο στρατηγικής, παρουσίαση οικονομικών μεταβλητών, κτλ.) και πρόβλεψη μετοχών με την χρήση τεχνικών όπως ανάλυσης χρονολογικών σειρών και μηχανικής μάθησης. Η χρήση της μηχανικής μάθησης για το συγκεκριμένο αντικείμενο φαίνεται πως αποδίδει αρκετά καλά, με ακρίβεια στις προβλέψεις που ξεπερνούν ακόμα και το 70% σε ορισμένα μοντέλα και απλώς ικανοποιητικά για κάποια άλλα μοντέλα, σε κάθε περίπτωση όμως οι προβλέψεις είναι άνω του 50%. Επίσης ικανοποιητικές μπορούν να θεωρηθούν και οι προβλέψεις με την μέθοδο της ανάλυσης χρονοσειρών. | el |
| dc.format.extent | 88 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Πρόβλεψη χρηματοοικονομικών χρονολογικών σειρών | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The prediction, analysis and the study of financial time series variables, mainly stocks, as well as the development of a financial strategy for the stocks market and generally, as subject matters are very popular subjects not only in the academic sector but also for everyone who has ambitions on making profit through this practice. The reason this subject matter is so popular is more than obvious to everyone who wants to build a model which will manage to "beat" the market, forecast when a stock rises or falls, when someone should buy or sell, which stock will earn him more in the long-term period, etc. The time series analysis has plenty of techniques the purpose of which is to predict the future either concerning a day, an hour, a week, etc. However, the time series analysis cannot take a lot of other factors which have been proven to affect the market into consideration, for example the daily news. Thus, with the extensive use of machine learning techniques, a lot of new methods have been proposed and plenty of publications with relevant results have been made. Taking a step further, the predictions are now being made with combination of techniques such as neural networks with sentiment analysis and the use of historical data, with the results being increasingly promising. This thesis is about the analysis, study and prediction of stocks with the use of techniques, such as time series analysis and machine learning. The use of machine learning techniques for this subject shows that the accuracy of predictions can exceed 70% in some models while for the rest their performance is just satisfactory. In either case though predictions exceed 50%. The predictions through time series analysis can also be considered as satisfactory. | el |
| dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Χρηματοοικονομικά | el |
| dc.subject.keyword | Χρονολογικές σειρές | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Χρονοσειρές | el |
| dc.subject.keyword | Time-series analysis | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές