Σχεδιασμός και υλοποίηση ενός νευρωνικού δικτύου ανάδρασης και εκπαίδευση του, μέσω του αλγορίθμου πίσω διάδοσης του λάθους μέσω χρόνου για την ενδοσυνεδριακή πρόβλεψη ισοτιμίας συναλλάγματος
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Κουτσομητρόπουλος, Δημήτρης | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Τσιμάς, Δημοσθένης | |
| dc.contributor.other | Tsimas, Dimosthenis | |
| dc.date.accessioned | 2024-07-22T05:53:01Z | |
| dc.date.available | 2024-07-22T05:53:01Z | |
| dc.date.issued | 2024-07-19 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Το πρόβλημα της ενδοσυνεδριακής πρόβλεψης ισοτιμίας συναλλάγματος, είναι ένα πρόβλημα πρόβλεψης χρονοσειρών. Οι χρονοσειρές είναι μία ευρέως χρησιμοποιούμενη μορφή απεικόνισης δεδομένων εξαρτώμενα από το χρόνο, η οποία συναντάται σε πολλούς τομείς των επιστημών. Η δε πρόβλεψη χρονοσειρών αποτελεί μία από τις πιο σημαντικές διαδικασίες, λόγω της άμεσης οικονομικής και επιχειρηματικής εφαρμογής των αποτελεσμάτων. Με την χρήση δικτύων και εργαλείων «Βαθιάς Μάθησης», έχει δειχθεί, ότι μπορούμε να ξεπεράσουμε την απόδοση παραδοσιακών μαθηματικών εργαλείων πρόβλεψης. Ο σκοπός αυτής της εργασίας είναι η δημιουργία και υλοποίηση ενός Νευρωνικού Δικτύου Ανάδρασης, η εκπαίδευσή του μέσω του Αλγορίθμου πίσω διάδοσης του λάθους στο χρόνο, πάνω σε πραγματικά ιστορικά δεδομένα νομισματικής ισοτιμίας, και η χρήση του Δικτύου για την ενδοσυνεδριακή πρόβλεψη ισοτιμίας συναλλάγματος. Πιο συγκεκριμένα αναπτύχθηκε Νευρωνικό Δίκτυο Ανάδρασης με χρήση νευρώνων Μακράς Βραχυπρόθεσμης Μνήμης, που έχουν ιδιαίτερα καλή απόδοση σε προβλήματα πρόβλεψης χρονοσειρών και εξαλείφουν το πρόβλημα της εξαφανιζόμενης κλίσης, με την ικανότητά τους να εντοπίζουν και να αποθηκεύουν εξαρτήσεις ανάμεσα στις τιμές εισόδου, ακόμα και για πολύ μεγάλα μήκη ακολουθιών. Ένας επιπλέον στόχος είναι η εξερεύνηση και βελτιστοποίηση των παραμέτρων του δικτύου, καθώς και το μήκος των προβλέψεων που μπορεί να κάνει το Δίκτυο, χωρίς την παρουσία απαγορευτικά μεγάλων αποκλίσεων. Επίσης, περιγράφονται οι δυσκολίες που αντιμετωπίσθηκαν αναφορικά με την δομή και τον τρόπο υλοποίησης καθώς και την αξιολόγηση των αποτελεσμάτων. Τέλος, γίνεται αναφορά στις ενδείξεις και στις υπόνοιες που αφήνουν τα πειράματα και προτείνονται περεταίρω βελτιώσεις από άποψη κωδικοποίησης προβλήματος, αρχιτεκτονικές δόμησης, συνδυασμός τεχνικών που εκμεταλλεύονται πληροφορίες, εξωτερικές των χρονοσειρών, που έχουν να κάνουν με τον ανθρώπινο παράγοντα και την ερμηνεία της συμπεριφοράς του και της επίδρασής του. | |
| dc.description.translatedabstract | The problem of session prediction currency exchange rate, is a problem of timeseries forecasting. Timeseries are a widely used form format of time dependent data, which can be found in many fields of sciences. Regarding timeseries forecasting, it is one of the most important processes, due to the immediate financial and business applications of the results. By utilizing Deep Learning tools, it has been shown, that traditional statistical and mathematical prediction models can be surpassed. The purpose of this thesis is the creation and implementation of a Recurrent Neural Network, which will be trained by the backpropagation of error through time algorithm, using real historical data of currency exchange, in order to session forecast currency exchange values. More specifically, a Recurrent Neural Network has been developed, using Long short-term Memory cells, which have very good performance regarding timeseries predictions problems and that deal with the vanishing gradient problem, with their ability to store time dependencies between the inputs, even for very long sequence lengths. Another aim of this thesis is to explore and improve the network’s parameters, as well as the length of the predictions that the network is able to calculate, without exceedingly high error values. We will also focus on the hardships that we had to deal with the architecture and the method of implementation, as well as the evaluation of the results. Finally, there is a mention about the indications and hints left behind by the experiments and improvements are suggested, regarding the problem encoding, architectural solutions, combination of techniques that can take advantage of information, foreign to the timeseries, that are directly related to human behavioral patterns, observing and interpreting its patterns. | |
| dc.identifier.uri | https://hdl.handle.net/10889/27648 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Ισοτιμία συναλλάγματος | |
| dc.subject | Πρόβλεψη | |
| dc.subject | Χρονοσειρές | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Foreign exchange rate | |
| dc.subject.alternative | Prediction | |
| dc.subject.alternative | Timeseries | |
| dc.title | Σχεδιασμός και υλοποίηση ενός νευρωνικού δικτύου ανάδρασης και εκπαίδευση του, μέσω του αλγορίθμου πίσω διάδοσης του λάθους μέσω χρόνου για την ενδοσυνεδριακή πρόβλεψη ισοτιμίας συναλλάγματος | |
| dc.title.alternative | Design and implementation of a recurrent neural network and its training, using the backpropagation through time algorithm for intraday foreign exchange rate prediction |