Τεχνικές πρόβλεψης χρηματιστηριακών τιμών αξιοποιώντας σχόλια από ιστοσελίδες και κοινωνικά μέσα δικτύωσης

Ραφτόπουλος, Ευάγγελος; Raftopoulos, Efangelos

dc.contributor.author	Ραφτόπουλος, Ευάγγελος	el
dc.contributor.author	Raftopoulos, Efangelos	en
dc.date.accessioned	2020-05-18T13:31:15Z
dc.date.available	2020-05-18T13:31:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50617
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18315
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	Πρόβλεψη	el
dc.subject	χρηματιστηριακές τιμές	el
dc.subject	Συναισθηματική ανάλυση	el
dc.subject	Επαναληπτικά νευρωνικά δίκτυα	el
dc.subject	Διανυσματική αναπαράσταση λέξεων	el
dc.subject	Predictions	en
dc.subject	Stock prices	en
dc.subject	Sentiment analysis	en
dc.subject	Recurrent neural networks	en
dc.subject	Word embeddings	en
dc.title	Τεχνικές πρόβλεψης χρηματιστηριακών τιμών αξιοποιώντας σχόλια από ιστοσελίδες και κοινωνικά μέσα δικτύωσης	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-12-17
heal.abstract	Η ραγδαία ανάπτυξη της τεχνολογίας έχει συμβάλει σημαντικά σε πολλούς τομείς της ζωής. Ένας από αυτούς είναι η δυνατότητα προβλέψεων που έχει ανθήσει τα τελευταία χρόνια χάρης των συστημάτων μηχανικής μάθησης και νευρωνικών δικτύων. Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα της πρόβλεψης της μελλοντικής συμπεριφοράς των χρηματιστηριακών τιμών αξιοποιώντας όχι μόνο τιμές του παρελθόντος αλλά και σχόλια από πλατφόρμες κοινωνικής δικτύωσης, με σκοπό την βελτίωση της ακρίβειας των προβλέψεων. Για την επίτευξη αυτού του στόχου κρίθηκε αναγκαία η δημιουργία ενός νευρωνικού δικτύου το οποίο θα προβαίνει σε ανάλυση συναισθήματος, δηλαδή θα αναγνωρίζει πόσο θετικό ή αρνητικό είναι το κάθε σχόλιο, και έπειτα η κατασκευή ενός μοντέλου το οποίο θα είναι υπεύθυνο για τις προβλέψεις των χρηματιστηριακών τιμών και πιο συγκεκριμένα για την τιμή κλεισίματος (close price). Το δίκτυο αυτό θα τροφοδοτηθεί την πρώτη φορά με ιστορικές χρηματιστηριακές τιμές και με τις πληροφορίες των δεδομένων κειμένου και έπειτα μόνο με τις ιστορικές χρηματιστηριακές τιμές. Τέλος θα γίνει σύγκριση μεταξύ των αποτελεσμάτων αυτών με σκοπό να αποφανθεί αν δίνοντας και τα αποτελέσματα της ανάλυσης συναισθήματος των σχολίων βελτιώθηκαν οι προβλέψεις.	el
heal.abstract	The rapid development of technology has considerably affected several aspects of life, one of which is the ability to make future predictions. This one has flourished the last years due to the mechanic systems learning and neural networks as well. The thesis in question discusses the prediction of the future behavior of stock market reclaiming not only past prices but also comments of social network platform in order to ameliorate the accuracy of predictions. Therefore, the creation of a neural network was of great necessity since it will proceed to sentiment analysis. That means the network will be able to distinguish the good or bad effect of every comment and then construct a model which will be responsible for the prediction of stock market and, particularly, it will predict the close price of a share. At first, this network will feed with historical stock prices as well as with information taken from text data and then only with the former ones. Finally, there will be a comparison between the results aiming to reach a conclusion if, when giving the results of both the sentiment analysis and the comments, the predictions were improved.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Ευφυών Επικοινωνιών και Δικτύων Ευρείας Ζώνης	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.
heal.fullTextAvailability	false