Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου
Ένα σημαντικό πρόβλημα που δημιουργεί ο εκθετικός ρυθμός ανάπτυξης της τεχνολογίας είναι αυτό της ανάλυσης ενός τεράστιου όγκου δεδομένων που αφορούν και επηρεάζουν πολλούς τομείς της καθημερινότητας. Η ανάγκη για επεξεργασία και ερμήνευση αυτών των δεδομένων αποτελεί το κίνητρο για τη δημιουργία αλ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13989 |
| id |
nemertes-10889-13989 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-139892022-09-05T20:18:31Z Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου Θεοδωρακόπουλος, Χαράλαμπος Λυκοθανάσης, Σπυρίδων Λυκοθανάσης, Σπυρίδων Theodorakopoulos, Charalampos Μηχανική μάθηση Τεχνητή νοημοσύνη Αναδρομικά νευρωνικά δίκτυα Πρόβλεψη Χρονοσειρές Τιμές μετοχών Machine learing Artificial intelligence Recurrent neural network Prediction Time series Stock prices Twitter Keras Ένα σημαντικό πρόβλημα που δημιουργεί ο εκθετικός ρυθμός ανάπτυξης της τεχνολογίας είναι αυτό της ανάλυσης ενός τεράστιου όγκου δεδομένων που αφορούν και επηρεάζουν πολλούς τομείς της καθημερινότητας. Η ανάγκη για επεξεργασία και ερμήνευση αυτών των δεδομένων αποτελεί το κίνητρο για τη δημιουργία αλγορίθμων και τεχνικών για την μετατροπή τους σε χρήσιμη πληροφορία κατάλληλες για χρήση. Ο κλάδος της Τεχνητής Νοημοσύνης (Artificial Intelligence) και της Μηχανικής Μάθησης (Machine Learning) έχουν ως κύριο σκοπό την ανάπτυξη και εξέλιξη αλγορίθμων και τεχνικών επίλυσης προβλημάτων για την ταχύτερη αλλά και πιο εύστοχη αξιολόγηση δεδομένων. Στην παρούσα διπλωματική, προκειμένου να μελετηθεί και να αξιολογηθεί μια οικονομική χρονοσειρά, κατασκευάστηκε ένα Αναδρομικό Νευρωνικό Δίκτυο που βραχυπρόθεσμα προβλέπει την τιμή και την τάση της μετοχής. Για την καλύτερη πρόβλεψη, από το διαθέσιμο σύνολο δεδομένων χρησιμοποιήθηκαν μόνο όσα παρέχουν ποσοτική αξιολόγηση από το Μέσο Κοινωνικής Δικτύωσης Twitter τη συγκεκριμένη χρονική στιγμή. Τα δεδομένα που χρησιμοποιούνται είναι αποτέλεσμα συντονισμένης προσπάθειας που έγινε από το Εργαστήριο Αναγνώρισης Προτύπων του τμήματος, η μετοχή η οποία είναι αντικείμενο μελέτης είναι η μετοχή της Google. Τα νευρωνικά δίκτυα διαφόρων επιπέδων που χρησιμοποιήθηκαν, κατασκευάστηκαν με την χρήση του Keras, ενός API της βιβλιοθήκης TensorFlow. Τέλος, τα αποτελέσματα συγκρίνονται με βάση διαδεδομένες μετρικές αξιολόγησης και σφαλμάτων, και εξάγονται οι αντίστοιχες γραφικές απεικονίσεις. An important problem created by the exponential growth rate of technology is that of analyzing a huge amount of data that affect many areas of everyday life. The need to process and interpret this data is the motivation for developing algorithms and techniques to convert them into useful information. The areas of Artificial Intelligence and Machine Learning focus primarily on developing and developing algorithms and problem-solving techniques for faster and more accurate data evaluation.In the present thesis, in order to study and evaluate an economic time series, a Retro Neural Network was constructed that predicts the price and trend of the stock in the short run. For the best prediction, only the data provided by the Twitter social networking app were used from the available dataset at that time.The data used is the result of a concerted effort made by the Department's Standards Recognition Lab, the share being studied is Google's share. The various levels of neural networks used were constructed using Keras, an API of the TensorFlow library. Finally, the results are compared on the basis of widespread evaluation metrics and errors, and the corresponding graphs are derived. 2020-10-08T11:26:59Z 2020-10-08T11:26:59Z 2019-08-03 Thesis http://hdl.handle.net/10889/13989 gr 12 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Τεχνητή νοημοσύνη Αναδρομικά νευρωνικά δίκτυα Πρόβλεψη Χρονοσειρές Τιμές μετοχών Machine learing Artificial intelligence Recurrent neural network Prediction Time series Stock prices Keras |
| spellingShingle |
Μηχανική μάθηση Τεχνητή νοημοσύνη Αναδρομικά νευρωνικά δίκτυα Πρόβλεψη Χρονοσειρές Τιμές μετοχών Machine learing Artificial intelligence Recurrent neural network Prediction Time series Stock prices Keras Θεοδωρακόπουλος, Χαράλαμπος Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| description |
Ένα σημαντικό πρόβλημα που δημιουργεί ο εκθετικός ρυθμός ανάπτυξης της τεχνολογίας είναι αυτό της ανάλυσης ενός τεράστιου όγκου δεδομένων που αφορούν και επηρεάζουν πολλούς τομείς της καθημερινότητας. Η ανάγκη για επεξεργασία και ερμήνευση αυτών των δεδομένων αποτελεί το κίνητρο για τη δημιουργία αλγορίθμων και τεχνικών για την μετατροπή τους σε χρήσιμη πληροφορία κατάλληλες για χρήση.
Ο κλάδος της Τεχνητής Νοημοσύνης (Artificial Intelligence) και της Μηχανικής Μάθησης (Machine Learning) έχουν ως κύριο σκοπό την ανάπτυξη και εξέλιξη αλγορίθμων και τεχνικών επίλυσης προβλημάτων για την ταχύτερη αλλά και πιο εύστοχη αξιολόγηση δεδομένων.
Στην παρούσα διπλωματική, προκειμένου να μελετηθεί και να αξιολογηθεί μια οικονομική χρονοσειρά, κατασκευάστηκε ένα Αναδρομικό Νευρωνικό Δίκτυο που βραχυπρόθεσμα προβλέπει την τιμή και την τάση της μετοχής. Για την καλύτερη πρόβλεψη, από το διαθέσιμο σύνολο δεδομένων χρησιμοποιήθηκαν μόνο όσα παρέχουν ποσοτική αξιολόγηση από το Μέσο Κοινωνικής Δικτύωσης Twitter τη συγκεκριμένη χρονική στιγμή.
Τα δεδομένα που χρησιμοποιούνται είναι αποτέλεσμα συντονισμένης προσπάθειας που έγινε από το Εργαστήριο Αναγνώρισης Προτύπων του τμήματος, η μετοχή η οποία είναι αντικείμενο μελέτης είναι η μετοχή της Google. Τα νευρωνικά δίκτυα διαφόρων επιπέδων που χρησιμοποιήθηκαν, κατασκευάστηκαν με την χρήση του Keras, ενός API της βιβλιοθήκης TensorFlow.
Τέλος, τα αποτελέσματα συγκρίνονται με βάση διαδεδομένες μετρικές αξιολόγησης και σφαλμάτων, και εξάγονται οι αντίστοιχες γραφικές απεικονίσεις. |
| author2 |
Λυκοθανάσης, Σπυρίδων |
| author_facet |
Λυκοθανάσης, Σπυρίδων Θεοδωρακόπουλος, Χαράλαμπος |
| format |
Thesis |
| author |
Θεοδωρακόπουλος, Χαράλαμπος |
| author_sort |
Θεοδωρακόπουλος, Χαράλαμπος |
| title |
Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| title_short |
Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| title_full |
Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| title_fullStr |
Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| title_full_unstemmed |
Χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το Twitter για την βελτίωση της πρόβλεψης της μετοχής της Google, μέσω εξελικτικού νευρωνικού δικτύου |
| title_sort |
χρήση ακίδων (spikes) για την αντιμετώπιση του προβλήματος ελλειπουσών τιμών από το twitter για την βελτίωση της πρόβλεψης της μετοχής της google, μέσω εξελικτικού νευρωνικού δικτύου |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13989 |
| work_keys_str_mv |
AT theodōrakopouloscharalampos chrēsēakidōnspikesgiatēnantimetōpisētouproblēmatoselleipousōntimōnapototwittergiatēnbeltiōsētēsproblepsēstēsmetochēstēsgooglemesōexeliktikouneurōnikoudiktyou |
| _version_ |
1771297354403545088 |
