Ανάλυση και πρόβλεψη χρονοσειρών με μοντέλα ARIMA  και εφαρμογές

Χασιρτζόγλου, Μάρκος; Chasirtzoglou, Markos

dc.contributor.author	Χασιρτζόγλου, Μάρκος	el
dc.contributor.author	Chasirtzoglou, Markos	en
dc.date.accessioned	2020-12-03T18:03:12Z
dc.date.available	2020-12-03T18:03:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52222
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19920
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
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	Χρονοσειρές	el
dc.subject	Προβλέψεις	el
dc.subject	Αυτοπαλίνδρομα μοντέλα	el
dc.subject	Εφαρμογή μοντέλων ARIMA	el
dc.subject	Ανάλυση χρονοσειρών	el
dc.title	Ανάλυση και πρόβλεψη χρονοσειρών με μοντέλα ARIMA και εφαρμογές	el
heal.type	masterThesis
heal.classification	Μαθηματικά	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-11
heal.abstract	Στην εποχή μας, τo αντικείμενο των προβλέψεων σημειώνει ραγδαία εξέλιξη σε πληθώρα διαφορετικών επιστημονικών πεδίων. Η ανάπτυξη και διάθεση ελευθέρων λογισμικών, όπως η προγραμματιστική γλώσσα R, ενισχύει ιδιαίτερα τη δραστηριότητα αυτή. Σε αυτά τα πλαίσια, σκοπός της παρούσας διπλωματικής εργασίας είναι η βασική κατανόηση και εκμάθηση της επιστήμης των προβλέψεων γενικότερα, καθώς και η χρήση των γραμμικών αυτοπαλίνδρομων μοντέλων ARIMA όπως και η εφαρμογή αυτών με δεδομένα από τρείς διαφορετικούς επιστημονικούς κλάδους. Αρχικά στο πρώτο κεφάλαιο, γίνεται μια εισαγωγική αναφορά γύρω από την έννοια της χρονοσειράς περιλαμβάνοντας τον ορισμό, τον διαχωρισμό των χρονοσειρών και παραδείγματα πραγματικών χρονοσειρών. Έπειτα στο δεύτερο κεφάλαιο , μελετώνται βιβλιογραφικά τα χαρακτηριστικά των χρονοσειρών. Εκεί, γίνεται εκτενής ανάλυση για τα κυριά δομικά στοιχεία μιας χρονοσειράς όπως η τάση , η κυκλικότητα, η εποχικότητα και οι ακραίες τιμές. Επιπλέον, παρουσιάζονται οι βασικοί στατιστικοί δείκτες για την μελέτη της χρονοσειράς και γίνεται αναφορά για τη βασικότερη προϋπόθεση στην ανάλυση χρονοσειρών, την στασιμότητα. Στην συνέχεια της θεωρητικής προσέγγισης των χρονοσειρών, στο τρίτο κεφάλαιο, γίνεται μια κατηγοριοποίηση των προβλέψεων και ακολουθούν τα διαφορά είδη απλών χρονοσειρών που στην τελική σύνθεση τους δημιουργούν τα μοντέλα ARIMA. Στο τελευταίο κομμάτι της παρούσας εργασίας, στο τέταρτο κεφάλαιο, γίνεται εφαρμογή των μοντέλων για τρεις διαφορετικές χρονοσειρές και παρατίθενται αναλυτικά όλα τα εργαλεία που χρησιμοποιούνται μαζί με τα αποτελέσματα. Ακολουθούν τα συμπεράσματα από την εφαρμογή των μοντέλων.	el
heal.abstract	Nowadays, the issue of predictions is evolving rapidly in a variety of different scientific fields. The development and availability of free software such as the R programming language greatly enhances the activity. In this context, the purpose of this postgraduate thesis is the basic understanding and learning of predictions in general, and further, the use of linear autoregressive ARIMA models and their application with data from three different scientific fields. In the first chapter, it is made an introductory reference around the concept of time series including the definition, the separation of time series and examples of real time series. Then in the second chapter, the characteristics of time series are studied using the available bibliography. Here, an extensive analysis is made of main structural elements of a time series such as trend, cyclic, seasonality and extreme values. In addition, the basic statistical indicators for the study of time series are presented and reference is made to the most basic condition in time series analysis, stationarity. In the third chapter, a categorization of predictions is made and there are different types of simple time series which in their final composition are creating ARIMA models. In the last part of the present work, in the fourth chapter, there are three applications using ARIMA models for three different time series. Here, also, are presented in detail all the tools used together with the results of modeling. At last, there are the conclusions from the applications of modeling.	en
heal.advisorName	Καρώνη, Χρυσηίς	el
heal.committeeMemberName	Ρήγας, Αλέξανδρος	el
heal.committeeMemberName	Παπανικολάου, Βασίλης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false