Αναδρομικά νευρωνικά δίκτυα για πρόβλεψη χρηματιστηριακών μεγεθών

Καρλής, Βασίλειος; Karlis, Vasileios

dc.contributor.author	Καρλής, Βασίλειος	el
dc.contributor.author	Karlis, Vasileios	en
dc.date.accessioned	2021-04-13T13:19:54Z
dc.date.available	2021-04-13T13:19:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53337
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21035
dc.rights	Default License
dc.subject	Χρηματιστήριο	el
dc.subject	Προβλέψεις	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	LSTM	en
dc.subject	RNN	en
dc.subject	Deep learning	en
dc.subject	Stock market	en
dc.subject	Forecasting	en
dc.title	Αναδρομικά νευρωνικά δίκτυα για πρόβλεψη χρηματιστηριακών μεγεθών	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-18
heal.abstract	Οι προβλέψεις χρηματιστηριακών μεγεθών διαχρονικά προσελκύουν το ενδιαφέρον των επενδυτών και των ερευνητών, την στιγμή που η βαθιά μηχανική μάθηση διαμορφώνει την πιο πολλά υποσχόμενη κατηγορία σχετικών αλγορίθμων. To αντικείμενο αυτής της διπλωματικής είναι η εφαρμογή και μελέτη της βαθιάς μηχανικής μάθησης και συγκεκριμένα των αναδρομικών νευρωνικών δικτύων μακράς και βραχείας μνήμης (Long Short-term Memory- LSTM), για την πραγματοποίηση βραχυπρόθεσμων χρηματιστηριακών προβλέψεων. Η βαθιά μηχανική μάθηση αποτελεί μια πολλά υποσχόμενη κατηγορία τεχνικής ανάλυσης και ειδικότερα τα LSTM είναι πολύ αποτελεσματικά για την μελέτη χρονοσειρών. Στα πλαίσια αυτής της διπλωματικής λοιπόν, υλοποιούνται χρηματιστηριακές προβλέψεις για μεγάλες τεχνολογικές εταιρείες και μελετώνται οι παράγοντες που επηρεάζουν την απόδοσή τους. Αναδεικνύεται η δυνατότητα του LSTM να αντιλαμβάνεται τις εξαρτήσεις των χρηματιστηριακών δεδομένων και να πραγματοποιεί αποτελεσματικές προβλέψεις. Ακόμη, γίνεται σαφής η σημασία της κατάλληλης ρύθμισης των παραμέτρων του νευρωνικού δικτύου και στην συνέχεια της κατάλληλης επιλογής χαρακτηριστικών εισόδου, με στόχο την βελτιστοποίηση της απόδοσης. Τέλος, συμπεραίνεται πως η απόδοση θα πρέπει να εξετάζεται συλλογικά και όχι μεμονωμένα με την ταυτόχρονη μελέτη αρκετών μετρικών και διαγραμμάτων.	el
heal.advisorName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	85 σ.	el
heal.fullTextAvailability	false