Πρόβλεψη διακύμανσης της τιμής κλεισίματος μετοχής της επόμενης μέρας με τη χρήση αναδρομικών δικτύων

Χρόνη, Ευγενία Τατιανή; Chroni, Evgenia Tatiani

dc.contributor.author	Χρόνη, Ευγενία Τατιανή	el
dc.contributor.author	Chroni, Evgenia Tatiani	en
dc.date.accessioned	2018-09-21T07:40:41Z
dc.date.available	2018-09-21T07:40:41Z
dc.date.issued	2018-09-21
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47639
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15686
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ανατροφοδοτούμενα νευρωνικά δίκτυα	el
dc.subject	Χρονοσειρές	el
dc.subject	Πρόβλεψη μετοχής	el
dc.subject	Machine learning	el
dc.subject	Neural networks	el
dc.subject	Recurrent neural networks	el
dc.subject	Timeseries	el
dc.subject	Stock forecasting	el
dc.title	Πρόβλεψη διακύμανσης της τιμής κλεισίματος μετοχής της επόμενης μέρας με τη χρήση αναδρομικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-06-26
heal.abstract	Η χρηματοπιστωτική αγορά είναι μια αφηρημένη έννοια, στην οποία συναντώνται χρηματοοικονομικά προϊόντα όπως μετοχές, ομόλογα και συναλλαγές μεταξύ αγοραστών και πωλητών. Στη σημερινή πραγματικότητα των χρηματοπιστωτικών αγορών, η πρόβλεψη της τάσης ή της τιμής των αποθεμάτων εξακολουθεί να είναι ένα ελκυστικό ζήτημα προς διερεύνηση. Η πρόβλεψη της τιμής ή της κατεύθυνσης μια μετοχής μπορεί να χαρακτηριστεί σαν μια περίπτωση προβλήματος επεξεργασίας σήματος που είναι δύσκολη λόγω του υψηλού θορύβου, μικρού μεγέθους δειγμάτων και μη-γραμμικότητας Τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης έχουν διερευνηθεί εκτενώς για τις δυνατότητές τους στην πρόβλεψη των τιμών των μετοχών. Μεταξύ όλων των μεθόδων μη- χανικής μάθησης, τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί ευρέως και με επιτυχία για την πρόβλεψη και τη μοντελοποίηση της χρηματοπιστωτικής αγοράς, καθώς είναι πιο ανεκτικά στο θόρυβο και πιο ευέλικτα σε σχέση με τα παραδοσιακά στατιστικά μοντέλα. Τα Ανατροφοδοτούμενα Νευρωνικά Δίκτυα (RNN) προσομοιάζουν τον τρόπο που διαχειρίζεται ο εγκέφαλος τις πληροφορίες, δηλαδή σειριακά, και χρησιμοποιούνται λόγω της ιδιότητάς τους να μοντελοποιούν πολυδιάστατες και μη γραμμικές συναρτήσεις, χαρακτηριστικό πολύ χρήσιμο για τη διαμόρφωση και εξέταση δυναμικών συστημάτων, όπως αυτό του χρηματιστηρίου. Έχοντας στόχο να εκμεταλλευτούμε τα παραπάνω πλεονέκτημα, τα RNN χρησιμοποιούνται στην παρούσα διπλωματική για τη πρόβλεψη της κατεύθυνσης της τιμής κλεισίματος της μετοχής για την αυριανή μέρα. Τα δεδομένα εισόδου αποτελούνται από χρονοσειρές με την ημερήσια τιμή κλεισίματος μετοχών. Κατά την δημιουργία των μοντέλων εκπαίδευσης γίνεται διερεύνηση στις διάφορες υπερπαραμέτρους με σκοπό την επίτευξη όσο το δυνατόν καλύτερης ακρίβειας πρόβλεψης και την αποφυγή του προβλήματος της υπερπροσαρμογής. Συμπερασματικά, τα ΑΝΔ φαίνεται να έχουν μια ικανοποιητική απόδοση στο πρόβλημα που εξετάζεται.	el
heal.abstract	Financial market is an abstract concept where financial commodities such as stocks, bonds and transactions happen between buyers and sellers. In the present scenario of financial mar- ket world, especially in the stock market, forecasting the trend or the price of stocks using machine learning techniques and artificial neural networks are the most attractive issue to be investigated. Financial forecasting is an instance of signal processing problem which is difficult because of high noise, small sample size and non-linearity. In recent years, machine learning methods have been extensively researched for their potentials in forecasting and prediction of financial market. Among all methods of machine learning, neural networks have been widely used to predict and model the financial market. Neural Networks are more tolerant to noise and more versatile than traditional statistical models. Recurrent Neural Networks (RNN) simulate the way the brain manages the information, i.e. serially, and are used because of their ability to detect multidimensional and nonlinear functions, a feature very useful in shaping and testing dynamic systems such as the stock market. The objective of this diploma thesis is to exploit the aforementioned properties of RNN for the forecasting of the feature closing price of stocks. The input data are in the form of timeseries of daily stock prices. In order to achieve the best possible prediciton accuracy and to avoid overfitting, various hyper-parameters of the selected models are explored. In conclusion, RNNs seem to exhibit a satisfactory performance in the examined problem.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	72 σ.
heal.fullTextAvailability	true