Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/12879
Title: Χρήση μεθόδων μηχανικής μάθησης για πρόβλεψη μελλοντικών τιμών χρονοσειρών
Other Titles: Performance evaluation of machine learning algorithms for time-series forecasting
Authors: Κοτζαπαναγιώτου, Ευγενία
Keywords: Μηχανική μάθηση
Εξόρυξη δεδομένων
Χρονοσειρές
Πρόβλεψη
Παλινδρόμηση
Χρηματιστήριο
Keywords (translated): Machine learning
Data mining
Timeseries
Forecasting
Regression
Stock exchange
Weka
Abstract: Στόχος των προβλέψεων είναι να είναι όσο το δυνατόν πιο εύστοχες και να ελαχιστοποιηθεί η απόκλισή τους από τις πραγματικές μελλοντικές τιμές που προσπαθούν να περιγράψουν. Έτσι, οι μέθοδοι πρόβλεψης συμβάλλουν στη σωστή και έγκαιρη λήψη αποφάσεων. Αν τα δεδομένα, που χρησιμοποιούμε στη διαδικασία της πρόβλεψης, είναι υψηλής ποιότητας μπορούμε να έχουμε ικανοποιητικά ακριβείς προβλέψεις. Η παρούσα διπλωματική εργασία έχει ως αντικείμενο τη μελέτη μεθόδων μηχανικής μάθησης στην πρόβλεψη μελλοντικών τιμών χρονολογικών σειρών. Αρχικά, γίνεται μία σύντομη εισαγωγή στις βασικές έννοιες της Μηχανικής Μάθησης. Στη συνέχεια, στο πλαίσιο της πειραματικής διαδικασίας χρησιμοποιούνται τα μοντέλα μάθησης και αξιολογούνται πλήρως τα αποτελέσματά τους στο πραγματικό πρόβλημα της πρόβλεψης των τιμών του πιο γνωστού και σημαντικού χρηματιστηριακού δείκτη, του Dow Jones (Dow Jones Industrial Average, DJIA), ο οποίος αποτελεί στοιχείο επιρροής των χρηματαγορών καθώς και των πολιτικών οικονομιών σε όλο των κόσμο. Για την υλοποίηση των μεθόδων χρησιμοποιήθηκε κώδικας από το API (Application Programming Interface) του Weka που είναι ένα ελεύθερο και ευρέως διαδεδομένο λογισμικό για μηχανική μάθηση.
Abstract (translated): The aim of predictions is to be as accurate as possible and to minimise deviation from the real future values that they attempt to predict. Prediction methods thus facilitate correct and timely decision- making. If high-quality data that are being used in the prediction process, then predictions of satisfactory accuracy can be achieved. The present thesis focuses on the study of machine learning methods in predicting the future values of time-series. Initially, basic concepts of machine learning are concisely introduced. Following that, learning models are used in the experimental process and their results are evaluated, in engaging with the real problem of predicting values of the most familiar and important stock exchange index, the Dow Jones Industrial Average, which constitutes an influential factor on worldwide money markets and political economy. To implement the methods, code was used from the Weka Application Programming Interface (API), which is a widely distributed open source machine learning software.
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Eugenia Kotzapanagiotou - M.Sc.pdf2.39 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.