Συντάχθηκε 25-02-2013 15:10
από Galateia Malandraki
Email συντάκτη: gmalandraki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος ΑΡΜΗΧ.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Τμήμα Ηλεκτρονικών Μηχανικών & Μηχανικών Υπολογιστών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ελευθέριου Σούλα
με θέμα
Αλγόριθμοι Μηχανικής Μάθησης σε πραγματικό χρόνο, για την πρόβλεψη νομισματικών συναλλαγών
Online Machine Learning Algorithms For Currency Exchange Prediction
[Ημερομηνία και Ώρα, π.χ. Τρίτη 26 Φεβρουαρίου 2013, 11πμ]
[Αίθουσα, π.χ. Αίθουσα 145.Π58, Κτίριο Επιστημών, Πολυτεχνειούπολη]
Εξεταστική Επιτροπή
Καθηγ. Μίνως Γαροφαλάκης (επιβλέπων)
Επικ. Καθηγ. Αντώνης Δεληγιαννάκης
Επικ. Καθηγ. Μιχαήλ Λαγουδάκης
Περίληψη
Περίληψη της εργασίας στα Ελληνικά.
Πρόσφατα, αρκετά ενδιαφέρουσα έρευνα έχει γίνει για το πώς μπορούμε να εφαρμόσουμε αλγορίθμους μηχανικής μάθησης για την ανάλυση και την πρόβλεψη τιμών μετοχών. Οι περισσότεροι οικονομολόγοι σήμερα, στηρίζονται σε “Έξυπνα Συστήματα”, τα οποία τους βοηθούν να παίρνουν ποικίλες επενδυτικές αποφάσεις.
Η συγκεκριμένη διπλωματική εργασία περιγράφει τις μεθόδους για την επίλυση δυο προβλημάτων:
1) Πώς να ανακαλύψουμε υψηλά συσχετισμένα ζευγάρια μετοχών, σε ένα προκαθορισμένο “χρονικό παράθυρο” (για παράδειγμα την τελευταία ώρα). Το βασικό μοντέλο για την ανάλυση αυτού του προβλήματος είναι το Statstream.
2) Πώς να προβλέψουμε τιμές ζήτησης και πώλησης μετοχών νομισματικών συναλλαγών, σε ένα συνεχές και πραγματικού χρόνου σύστημα. Συνοψίζουμε προσομοιώνοντας ενα περιβάλλον ανταλαγής μετοχών και παρουσίαζουμε το ενδεχόμενο κέρδος που θα είχε ένας τέτοιος χρηματιστιριακός πράκτορας, ο οποίος θα μπορούσε να προβλέψει σωστά πότε να αγοράσει συνάλλαγμα, πριν αυξηθεί η τιμή και να πουλήσει, πριν η τιμή μειωθεί.
Abstract [προαιρετικά]
Περίληψη της εργασίας στα Αγγλικά. [προαιρετικά]
Recently, a lot of interesting work has been done in the area of applying Machine
Learning Algorithms for analyzing price patterns and predicting stock prices and index
changes. Most stock traders nowadays depend on Intelligent Trading Systems which help
them in predicting prices based on various situations and conditions, thereby helping
them in making instantaneous investment decisions.
This thesis describes methods for two problems:
How to find highly correlated pairs of securities over the last recent time period (e.g.
over the last hour) in a sliding window fashion. The base model used for this is Statstream.
How to predict foreign exchange rate changes in an online fashion based on machine learning algorithms.
This thesis explains the algorithms and discusses various metrics of accuracy.
We finalize by simulating a real-life trading environment and concluding that the new algorithm proposed can be used for an intelligent trader that would predict the stock price and buy a stock before the price rises,
or sell it before its value declines.
