Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου

Οι περισσότερες παραδοσιακές μέθοδοι αλλά και οι πιο σύνθετες τεχνικές μηχανικής μάθησης έχουν αποτύχει στο να χειριστούν την πολυπλοκότητα και τις μη γραμμικότητες που υπάρχουν στις οικονομικές χρονοσειρές, ιδιαίτερα κατά τη διάρκεια της τελευταίας οικονομικής κρίσης. Στις παραδοσιακές μεθόδους μον...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Τσαρμπόπουλος, Δημήτριος
Άλλοι συγγραφείς:	Λυκοθανάσης, Σπυρίδων
Μορφή:	Thesis
Γλώσσα:	Greek
Έκδοση:	2016
Θέματα:	Γενετικοί αλγόριθμοι Μηχανές διανυσμάτων υποστήριξης Παλινδρόμηση διανυσμάτων υποστήριξης Τεχνική κυλιόμενου παραθύρου Genetic algorithms Support vector regression 006.382 3
Διαθέσιμο Online:	http://hdl.handle.net/10889/9436

id	nemertes-10889-9436
record_format	dspace
institution	UPatras
collection	Nemertes
language	Greek
topic	Γενετικοί αλγόριθμοι Μηχανές διανυσμάτων υποστήριξης Παλινδρόμηση διανυσμάτων υποστήριξης Τεχνική κυλιόμενου παραθύρου Genetic algorithms Support vector regression 006.382 3
spellingShingle	Γενετικοί αλγόριθμοι Μηχανές διανυσμάτων υποστήριξης Παλινδρόμηση διανυσμάτων υποστήριξης Τεχνική κυλιόμενου παραθύρου Genetic algorithms Support vector regression 006.382 3 Τσαρμπόπουλος, Δημήτριος Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
description	Οι περισσότερες παραδοσιακές μέθοδοι αλλά και οι πιο σύνθετες τεχνικές μηχανικής μάθησης έχουν αποτύχει στο να χειριστούν την πολυπλοκότητα και τις μη γραμμικότητες που υπάρχουν στις οικονομικές χρονοσειρές, ιδιαίτερα κατά τη διάρκεια της τελευταίας οικονομικής κρίσης. Στις παραδοσιακές μεθόδους μοντελοποίησης και πρόβλεψης έχουν εντοπιστεί μειονεκτήματα όπως: Δυσκολία στη ρύθμιση των παραμέτρων των αλγορίθμων, δυσκολία των γραμμικών μεθόδων να παρέχουν καλές προβλέψεις, το πρόβλημα της υπερεκπαίδευσης (overfitting) καθώς 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, άρα οι παραδοσιακές τεχνικές οι οποίες προσπαθούσαν να βρουν ένα μοντέλο που να περιγράφει όλη την ιστορία της χρονοσειράς αποτυγχάνουν. Σκοπός της παρούσας διπλωματικής εργασίας είναι ο συνδυασμός Γενετικών Αλγορίθμων με Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM) για την ειδική περίπτωση της Παλινδρόμησης (Regression). Οι Γενετικοί Αλγόριθμοι (Genetic Algorithms – GA’s) αποτελούν μια μέθοδο ευρετικής αναζήτησης που μιμείται τη φυσική επιλογή. Ανήκουν στην ευρύτερη περιοχή των Εξελικτικών Αλγορίθμων. Ψάχνουν για τη βέλτιστη λύση σε ένα πρόβλημα μέσα από μια αυτόματη διαδικασία. Οι Μηχανές Διανυσμάτων Υποστήριξης είναι μια μέθοδος που ανήκει στην κατηγορία των μοντέλων της επιβλεπόμενης μάθησης (supervised learning) και σήμερα θεωρείται καινοτόμος στο πεδίο της Μηχανικής Μάθησης. Στόχος τους είναι ο εντοπισμός του βέλτιστου υπερεπιπέδου το οποίο μπορεί να ταξινομήσει τα σημεία σε κατηγορίες (classification) και το οποίο παρουσιάζει τη μεγαλύτερη απόσταση μεταξύ των σημείων των διαφορετικών κατηγοριών. Η υποπερίπτωση της Παλινδρόμησης Διανυσμάτων Υποστήριξης (Support Vector Regression, SVR) πηγαίνει τη διαδικασία της κατηγοριοποίησης ένα βήμα παραπέρα, προσπαθώντας να προβλέψει με όσο το δυνατόν μεγαλύτερη ακρίβεια τις εξόδους κάποιας συνάρτησης (εξαρτημένες μεταβλητές) σε συνάρτηση με τις μεταβλητές εισόδου της (ανεξάρτητες μεταβλητές). Οι SVM αποτελούν γενικού σκοπού κατηγοριοποιητές και δε χρειάζονται εκ των προτέρων γνώση. Παρά το ισχυρό τους θεωρητικό υπόβαθρο και τα υποσχόμενα πειραματικά τους αποτελέσματα, δεν έχουν ακόμα καταφέρει να ξεπεράσουν τα εμπόδια της κατάρας της διαστασιμότητας (curse of dimensionality) και της ρύθμισης των παραμέτρων τους. Για το λόγο αυτό, σε αρκετές περιπτώσεις, απλά νευρωνικά δίκτυα, τους έχουν ξεπεράσει σε απόδοση. Οι GAs από την άλλη, έχουν εφαρμοστεί ευρέως για την προηγμένη διαχείριση χαρτοφυλακίου και για την επίλυση προβλημάτων στην κατανομή των επενδύσεων [1]. Οι Μηχανές Διανυσμάτων Υποστήριξης έχουν ήδη εφαρμοστεί σε πολλές εφαρμογές πρόβλεψης και κατηγοριοποίησης - παλινδόμησης στο πεδίο των χρηματοοικονομικών [2, 3]. Ωστόσο ακόμη απέχουν από το να καθιερωθούν στο πεδίο της πρόβλεψης των οικονομικών χρονοσειρών. Ο Γενετικός Αλγόριθμος [4,5] που υλοποιήθηκε στην παρούσα εργασία έχει βελτιωθεί χρησιμοποιώντας δεκαδική κωδικοποίηση στα χρωμοσώματα αντί για την κλασική δυαδική (binary). Ακόμα, γίνεται χρήση επιλογής βαθμονόμησης (rank based selection) κατά την επιλογή των ατόμων που επιλέγονται να περάσουν στην επόμενη γενιά. H μέθοδος αυτή μειώνει την πίεση της επιλογής όταν η διασπορά των τιμών της συνάρτησης κόστους είναι μεγάλη και την αυξάνει σε αντίθετη περίπτωση. Ως κριτήριο τερματισμού χρησιμοποιείται ο μέγιστος αριθμός γενεών εκτέλεσης του αλγορίθμου. Λόγω της μη στάσιμης φύσης της αγοράς και της συνεχούς εξέλιξής της, εφαρμόσαμε την τεχνική του κυλιόμενου παραθύρου (sliding window) στα δεδομένα μας. Ο Γενετικός Αλγόριθμος που υλοποιήθηκε, επιλέγει ποιες χρονοσειρές και σε ποιο βαθμό επηρεάζουν τη χρονοσειρά που προβλέπουμε. Ακόμα, μέσω του αλγορίθμου γίνεται επιλογή των καλύτερων τιμών της (παράμετρος κανονικοποίησης) και της τιμής (παράμετρος της γκαουσιανής συνάρτησης πυρήνα), που αποτελούν παραμέτρους των μηχανών διανυσμάτων υποστήριξης. Κρίνεται αναγκαίο να βελτιστοποιήσουμε τις δύο αυτές τιμές αφού η παράμετρος ορίζει το ισοζύγιο μεταξύ πολυπλοκότητας και απόδοσης από τη μια και από την άλλη, τις περισσότερες φορές τα δεδομένα δεν είναι γραμμικώς διαχωρίσιμα, οπότε θα πρέπει να χρησιμοποιηθεί μια συνάρτηση πυρήνα (σωστά ρυθμισμένη) για την εκτέλεση του μοντέλου. Για το Γενετικό Αλγόριθμο σχεδιάστηκε μία εξειδικευμένη Συνάρτηση Καταλληλόλητας ή αλλιώς Αντικειμενική Συνάρτηση (Objective ή Fitness Function) για να ενσωματώνει τη βελτιστοποίηση μετρικών που είναι εξειδικευμένες στην αξιολόγηση επενδυτικών στρατηγικών (όπως για παράδειγμα το ετήσιο κέρδος). Η προτεινόμενη μέθοδος χρησιμοποιήθηκε για την πρόβλεψη της τιμής των μετοχών της Εθνικής Τράπεζας της Ελλάδος (ΕΤΕ), της Τράπεζας Πειραιώς (ΠΕΙΡ), του Οργανισμού Προγνωστικών Αγώνων Ποδοσφαίρου (ΟΠΑΠ), του Οργανισμού Τηλεπικοινωνιών Ελλάδος (ΟΤΕ) και της εταιρίας ΙΝΤΡΑΛΟΤ (ΙΝΛΟΤ), που είναι όλες εισηγμένες στο Χρηματιστήριο Αξιών Αθηνών (ΧΑΑ). Η προτεινόμενη μέθοδος συγκρίνεται με την παραδοσιακή μέθοδο αποτίμησης χρηματιστηριακών τιμών Buy & Hold και με τον κλασσικό Αλγόριθμο Παλινδρόμησης Διανυσμάτων Υποστήριξης (SVR) χωρίς τη χρήση Γενετικών. Για καλύτερο διαχωρισμό των μεθόδων για το υπόλοιπο της παρούσας εργασίας, η προτεινόμενη μεθοδολογία θα αναφέρεται ως GA-SVR.
author2	Λυκοθανάσης, Σπυρίδων
author_facet	Λυκοθανάσης, Σπυρίδων Τσαρμπόπουλος, Δημήτριος
format	Thesis
author	Τσαρμπόπουλος, Δημήτριος
author_sort	Τσαρμπόπουλος, Δημήτριος
title	Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
title_short	Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
title_full	Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
title_fullStr	Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
title_full_unstemmed	Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
title_sort	σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου
publishDate	2016
url	http://hdl.handle.net/10889/9436
work_keys_str_mv	AT tsarmpopoulosdēmētrios schediasmoskaiylopoiēsēmethodologiasbrachyprothesmēsproblepsēstimōnmetochōntouellēnikouchrēmatistērioumesyndyasmoexeliktikōnalgorithmōnmēchanōndianysmatōnypostērixēskaitechnikēskyliomenouparathyrou AT tsarmpopoulosdēmētrios implementingamethologyforshorttermpredictionofsharesofthegreekstockmarketbycombiningevolutionaryalgorithmssupportvectormachinesandslidingwindowtechnique
_version_	1771297347257499648
spelling	nemertes-10889-94362022-09-05T20:13:58Z Σχεδιασμός και υλοποίηση μεθοδολογίας βραχυπρόθεσμης πρόβλεψης τιμών μετοχών του ελληνικού χρηματιστηρίου με συνδυασμό εξελικτικών αλγορίθμων, μηχανών διανυσμάτων υποστήριξης και τεχνικής κυλιόμενου παραθύρου Implementing a methology for short-term prediction of shares of the greek stock-market by combining evolutionary algorithms, support vector machines and sliding window technique Τσαρμπόπουλος, Δημήτριος Λυκοθανάσης, Σπυρίδων Παυλίδης, Γεώργιος Χατζηλυγερούδης, Ιωάννης Tsarmpopoulos, Dimitrios Γενετικοί αλγόριθμοι Μηχανές διανυσμάτων υποστήριξης Παλινδρόμηση διανυσμάτων υποστήριξης Τεχνική κυλιόμενου παραθύρου Genetic algorithms Support vector regression 006.382 3 Οι περισσότερες παραδοσιακές μέθοδοι αλλά και οι πιο σύνθετες τεχνικές μηχανικής μάθησης έχουν αποτύχει στο να χειριστούν την πολυπλοκότητα και τις μη γραμμικότητες που υπάρχουν στις οικονομικές χρονοσειρές, ιδιαίτερα κατά τη διάρκεια της τελευταίας οικονομικής κρίσης. Στις παραδοσιακές μεθόδους μοντελοποίησης και πρόβλεψης έχουν εντοπιστεί μειονεκτήματα όπως: Δυσκολία στη ρύθμιση των παραμέτρων των αλγορίθμων, δυσκολία των γραμμικών μεθόδων να παρέχουν καλές προβλέψεις, το πρόβλημα της υπερεκπαίδευσης (overfitting) καθώς 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, άρα οι παραδοσιακές τεχνικές οι οποίες προσπαθούσαν να βρουν ένα μοντέλο που να περιγράφει όλη την ιστορία της χρονοσειράς αποτυγχάνουν. Σκοπός της παρούσας διπλωματικής εργασίας είναι ο συνδυασμός Γενετικών Αλγορίθμων με Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM) για την ειδική περίπτωση της Παλινδρόμησης (Regression). Οι Γενετικοί Αλγόριθμοι (Genetic Algorithms – GA’s) αποτελούν μια μέθοδο ευρετικής αναζήτησης που μιμείται τη φυσική επιλογή. Ανήκουν στην ευρύτερη περιοχή των Εξελικτικών Αλγορίθμων. Ψάχνουν για τη βέλτιστη λύση σε ένα πρόβλημα μέσα από μια αυτόματη διαδικασία. Οι Μηχανές Διανυσμάτων Υποστήριξης είναι μια μέθοδος που ανήκει στην κατηγορία των μοντέλων της επιβλεπόμενης μάθησης (supervised learning) και σήμερα θεωρείται καινοτόμος στο πεδίο της Μηχανικής Μάθησης. Στόχος τους είναι ο εντοπισμός του βέλτιστου υπερεπιπέδου το οποίο μπορεί να ταξινομήσει τα σημεία σε κατηγορίες (classification) και το οποίο παρουσιάζει τη μεγαλύτερη απόσταση μεταξύ των σημείων των διαφορετικών κατηγοριών. Η υποπερίπτωση της Παλινδρόμησης Διανυσμάτων Υποστήριξης (Support Vector Regression, SVR) πηγαίνει τη διαδικασία της κατηγοριοποίησης ένα βήμα παραπέρα, προσπαθώντας να προβλέψει με όσο το δυνατόν μεγαλύτερη ακρίβεια τις εξόδους κάποιας συνάρτησης (εξαρτημένες μεταβλητές) σε συνάρτηση με τις μεταβλητές εισόδου της (ανεξάρτητες μεταβλητές). Οι SVM αποτελούν γενικού σκοπού κατηγοριοποιητές και δε χρειάζονται εκ των προτέρων γνώση. Παρά το ισχυρό τους θεωρητικό υπόβαθρο και τα υποσχόμενα πειραματικά τους αποτελέσματα, δεν έχουν ακόμα καταφέρει να ξεπεράσουν τα εμπόδια της κατάρας της διαστασιμότητας (curse of dimensionality) και της ρύθμισης των παραμέτρων τους. Για το λόγο αυτό, σε αρκετές περιπτώσεις, απλά νευρωνικά δίκτυα, τους έχουν ξεπεράσει σε απόδοση. Οι GAs από την άλλη, έχουν εφαρμοστεί ευρέως για την προηγμένη διαχείριση χαρτοφυλακίου και για την επίλυση προβλημάτων στην κατανομή των επενδύσεων [1]. Οι Μηχανές Διανυσμάτων Υποστήριξης έχουν ήδη εφαρμοστεί σε πολλές εφαρμογές πρόβλεψης και κατηγοριοποίησης - παλινδόμησης στο πεδίο των χρηματοοικονομικών [2, 3]. Ωστόσο ακόμη απέχουν από το να καθιερωθούν στο πεδίο της πρόβλεψης των οικονομικών χρονοσειρών. Ο Γενετικός Αλγόριθμος [4,5] που υλοποιήθηκε στην παρούσα εργασία έχει βελτιωθεί χρησιμοποιώντας δεκαδική κωδικοποίηση στα χρωμοσώματα αντί για την κλασική δυαδική (binary). Ακόμα, γίνεται χρήση επιλογής βαθμονόμησης (rank based selection) κατά την επιλογή των ατόμων που επιλέγονται να περάσουν στην επόμενη γενιά. H μέθοδος αυτή μειώνει την πίεση της επιλογής όταν η διασπορά των τιμών της συνάρτησης κόστους είναι μεγάλη και την αυξάνει σε αντίθετη περίπτωση. Ως κριτήριο τερματισμού χρησιμοποιείται ο μέγιστος αριθμός γενεών εκτέλεσης του αλγορίθμου. Λόγω της μη στάσιμης φύσης της αγοράς και της συνεχούς εξέλιξής της, εφαρμόσαμε την τεχνική του κυλιόμενου παραθύρου (sliding window) στα δεδομένα μας. Ο Γενετικός Αλγόριθμος που υλοποιήθηκε, επιλέγει ποιες χρονοσειρές και σε ποιο βαθμό επηρεάζουν τη χρονοσειρά που προβλέπουμε. Ακόμα, μέσω του αλγορίθμου γίνεται επιλογή των καλύτερων τιμών της (παράμετρος κανονικοποίησης) και της τιμής (παράμετρος της γκαουσιανής συνάρτησης πυρήνα), που αποτελούν παραμέτρους των μηχανών διανυσμάτων υποστήριξης. Κρίνεται αναγκαίο να βελτιστοποιήσουμε τις δύο αυτές τιμές αφού η παράμετρος ορίζει το ισοζύγιο μεταξύ πολυπλοκότητας και απόδοσης από τη μια και από την άλλη, τις περισσότερες φορές τα δεδομένα δεν είναι γραμμικώς διαχωρίσιμα, οπότε θα πρέπει να χρησιμοποιηθεί μια συνάρτηση πυρήνα (σωστά ρυθμισμένη) για την εκτέλεση του μοντέλου. Για το Γενετικό Αλγόριθμο σχεδιάστηκε μία εξειδικευμένη Συνάρτηση Καταλληλόλητας ή αλλιώς Αντικειμενική Συνάρτηση (Objective ή Fitness Function) για να ενσωματώνει τη βελτιστοποίηση μετρικών που είναι εξειδικευμένες στην αξιολόγηση επενδυτικών στρατηγικών (όπως για παράδειγμα το ετήσιο κέρδος). Η προτεινόμενη μέθοδος χρησιμοποιήθηκε για την πρόβλεψη της τιμής των μετοχών της Εθνικής Τράπεζας της Ελλάδος (ΕΤΕ), της Τράπεζας Πειραιώς (ΠΕΙΡ), του Οργανισμού Προγνωστικών Αγώνων Ποδοσφαίρου (ΟΠΑΠ), του Οργανισμού Τηλεπικοινωνιών Ελλάδος (ΟΤΕ) και της εταιρίας ΙΝΤΡΑΛΟΤ (ΙΝΛΟΤ), που είναι όλες εισηγμένες στο Χρηματιστήριο Αξιών Αθηνών (ΧΑΑ). Η προτεινόμενη μέθοδος συγκρίνεται με την παραδοσιακή μέθοδο αποτίμησης χρηματιστηριακών τιμών Buy & Hold και με τον κλασσικό Αλγόριθμο Παλινδρόμησης Διανυσμάτων Υποστήριξης (SVR) χωρίς τη χρήση Γενετικών. Για καλύτερο διαχωρισμό των μεθόδων για το υπόλοιπο της παρούσας εργασίας, η προτεινόμενη μεθοδολογία θα αναφέρεται ως GA-SVR. Many of the traditional methods of financial forecasting but also the most complex methods of machine learning have failed so far to handle the complexity and the non-linarites that are met in financial time-series, especially during the last few years of global economic crisis. In the traditional methods of modelling and forecasting we have met specific disadvantages such as: Difficulty in tuning the parameters of the algorithms, difficulty of the linear methods to provide precise predictions, the overfitting problem that may occur during the training phase of the algorithm and last but not least, the fact that modelling and prediction are in many occasions separable problems. The models describing financial time-series are changing as time goes by and as a result traditional techniques seeking a model capable to describe the time-series all time long fail. The purpose of the present master thesis is to combine effectively the Genetic Algorithms (GA’s) with Support Vector Regression (SVR), a subcase of Support Vector Machines (SVM’s) algorithm. GA’s belong to the family of heuristic algorithms that simulate natural selection. GA’s also belong to the wide scientific area of Evolutionary Algorithms. They are seeking for an optimal solution for a problem, by applying an automated process. SVM’s on the other hand, belong to the family of supervised learning algorithms and nowadays are considered pioneers in the scientific field of machine learning. Their purpose is to find the optimal hyper-plane, namely the optimal classification of the spots belonging in different categories, in terms of Euclidian distance between them. The subcase of SVR is trying to predict with as much precision as possible the dependent variables of a function in connection with its independent variables. SVM’s are general-purpose classifiers as the don’t need in advance knowledge. Despite their strong theoretical background and promising experimenting results, yet they have proven incapable to overcome the curse of dimensionality and the correct parameter tuning obstacles. As a result neural networks have demonstrated better performance in many cases so far. GA’s have been widely applied in portfolio management and for solving investing problems[1]. SVM’s on the other hand, are commonly used in many classification and prediction problems in financial time-series[2,3]. Nevertheless, they still have a long way to go, in order to become a major forecasting algorithm in financial time-series prediction. The GA [4,5] implemented in this master thesis, have been optimized by making use of decimal encoding instead of the typically used binary. Furthermore, rank based selection is been used during the selection of the individuals chosen to pass to the next generation. This selection method tries to minimize the selection problem when the variance of the cost function is high and vice-versa. The maximum number of generations is used as the termination criterion of this specific algorithm. Due to the non-static nature of the stock markets, we also made use of the sliding-window technique in our datasets. During the implementation, the GA chooses the dependent variables that affect the prediction of the independent variable. Furthermore, through the procedure, we select the best values for the parameter of normalization and (the parameter of the Gaussian kernel function) for the SVM algorithm. Optimization of those two parameters is significantly important, as parameter defines the balance between complexity and performance and on the other hand, because of the non-linearity of the data a properly tuned kernel function is of high importance. For the implementation of the GA, we made use of an objection function, in order to optimize metrics suitable for the evaluation of investing strategies (annualized return for instance). The proposed method is used in order to predict the closing prices for the shares of National Bank of Greece (NBG), the Piraeus Bank (PEIR), the Organization for Forecasting Football Matches in Greece (OPAP), the Greek Telecommunications Organization (OTE) and the software providing company INTRALOT (INLOT). All the aforementioned companies belong to the Greek stock market located in Athens, Greece (XAA). Our implementation is compared in this thesis with the traditional Buy and Hold strategy and with the SVR algorithm without using GA’s. For the rest of this thesis our method is going to be mentioned as GA-SVR. 2016-06-21T15:30:42Z 2016-06-21T15:30:42Z 2016-02-15 Thesis http://hdl.handle.net/10889/9436 gr 0 application/pdf

Παρόμοια τεκμήρια