| Περίληψη: | Οι περισσότερες παραδοσιακές μέθοδοι και οι ποιο σύνθετες τεχνικές μηχανικής μάθησης έχουν αποτύχει στο να χειριστούν την πολυπλοκότητα και τις μη γραμμικότητες που υπάρχουν στις οικονομικές χρονοσειρές, ιδιαίτερα κατά την διάρκεια τις τελευταίας οικονομικής κρίσης. Συγκεκριμένα μειονεκτήματα έχουν εντοπισθεί στις παραδοσιακές μεθόδους μοντελοποίησης και πρόβλεψης, και περιλαμβάνουν δυσκολίες στην ρύθμιση των παραμέτρων των αλγορίθμων, την δυσκολία των γραμμικών μεθόδων να παρέχουν καλές προβλέψεις, το πρόβλημα της υπερεκπαίδευσης και το γεγονός ότι η μοντελοποίηση και η πρόβλεψη πολλές φορές θεωρούνται διαφορετικά προβλήματα. Τα μοντέλα που περιγράφουν τις οικονομικές χρονοσειρές δεν είναι στατικά στο χρόνο αλλά μεταβάλλονται συνεχώς.
Αντικείμενο της διπλωματικής εργασίας είναι η μελέτη της επίδρασης πληροφοριών από κοινωνικά δίκτυα στη βραχυπρόθεσμη πρόβλεψη τιμών μετοχών. Αρχικά γίνεται άντληση πληροφορίας από το κοινωνικό δίκτυο Twitter και στη συνέχεια, μετά από κατάλληλη επεξεργασία, θα μελετηθεί η επίδρασή της στην βραχυπρόθεσμη πρόβλεψη τιμών μετοχών του ΧΑΑ, αλλα και του Dow Jones. Η πληροφορία αυτή, επεξεργάζεται σύμφωνα με τη μεθοδολογία που έχει προταθεί από τους Maragoudakis & Serpanos [8]. Το αποτέλεσμα της αξιολόγησης αυτής αφού ποσοτικοποιηθεί, χρησιμοποιείται στην συνάρτηση αξιολόγησης ενός γενετικού αλγορίθμου που συνδυάζεται με μηχανές διανυσμάτων υποστήριξης [2,3]. Μελετήθηκε κατά πόσο οι πληροφορίες από τα κοινωνικά δίκτυα μπορούν να βελτιώσουν την πρόβλεψη.
Η προτεινόμενη μέθοδος χρησιμοποιείται για την πρόβλεψη της τιμής των μετοχών της Εθνικής Τράπεζας Ελλάδος, Alpha Τράπεζας, Τράπεζας Πειραιώς, Τράπεζας Eurobank Ergasias, ΟΠΑΠ, FOLLI-FOLLIE, ΟΤΕ και Ιντραλότ αλλά και στις μετοχές των Apple, Nintendo, Pfizer και Google. Η προτεινόμενη μέθοδος συγκρίνεται με πληθώρα παραδοσιακών μεθόδων και μεθόδων υπολογιστικής νοημοσύνης όπως είναι τα τεχνητά νευρωνικά δίκτυα.
|
|---|
