dc.contributor.advisor | Μαραγκουδάκης, Εμμανουήλ | el_GR |
dc.contributor.author | Χυδεριώτου, Στέλλα | el_GR |
dc.coverage.spatial | Σάμος | el_GR |
dc.date.accessioned | 2020-07-08T12:24:19Z | |
dc.date.available | 2020-07-08T12:24:19Z | |
dc.date.issued | 2017-04-09 | |
dc.identifier.uri | http://hdl.handle.net/11610/21090 | |
dc.description | Στο τέλος της εργασίας μετά από το κομμάτι της βιβλιογραφίας παρατίθενται οι αλγόριθμοι που χρησιμοποιήθηκαν στην παρούσα εργασία. | el_GR |
dc.description.abstract | Η παρούσα μελέτη ασχολήθηκε με την επιρροή των κοινωνικών δεδομένων στην τεχνική ανάλυση χρηματιστηριακών δεικτών με μεθόδους επεξεργασίας χρονοσειρών και ολοκληρώθηκε μέσα από εφτά ενότητες όπου πιο συγκεκριμένα, η πρώτη ενότητα αναφέρθηκε στο εισαγωγικό σημείωμα. Συγκεκριμένα, η στοχαστικότητα δε μπορεί να αγνοηθεί όταν έχουμε πραγματικές μετρήσεις και μελετάμε πραγματικές διαδικασίες καθώς υπάρχει τυχαιότητα και στην εξέλιξη της διαδικασίας, φαινόμενο που ονομάζεται δυναμικός θόρυβος. Επίσης υπάρχει τυχαιότητα και στην μέτρηση του μεγέθους ενδιαφέροντος και ονομάζεται θόρυβος μέτρησης.
Η δεύτερη ενότητα αναφέρθηκε σε παλαιότερες ενασχολήσεις με παρόμοιες μελέτες. Στη συνέχεια, η τρίτη ενότητα ανέλυσε το θεωρητικό υπόβαθρο εμβαθύνοντας στα βασικά χαρακτηριστικά χρονοσειράς και στις μεθόδους απαλοιφής της τάσης αλλά και στη μέθοδος των πρώτων διαφορών και διαφορών p τάξης .
Η τέταρτη ενότητα έκανε λόγο για τη μοντελοποίηση με τη μέθοδο ARIMA, ενώ η πέμπτη ενότητα εστίασε στον ορισμό των νευρωνικών δικτύων. Πιο αναλυτικά τα τεχνητά νευρωνικά δίκτυα είναι συσκευές επεξεργασίας (αλγόριθμοι ή πραγματικό υλικό) που διαμορφώνονται σύμφωνα με την νευρωνική δομή του εγκεφαλικού φλοιού των θηλαστικών, αλλά σε πολύ μικρότερες κλίμακες. Το παγκόσμιο ελάχιστο είναι αυτή η θεωρητική λύση με το μικρότερο δυνατό λάθος. Τα νευρωνικά δίκτυα είναι καθολικά προσεγγιστικά και λειτουργούν καλύτερα αν το σύστημα στο οποίο χρησιμοποιούνται για την μοντελοποίηση έχει υψηλή ανοχή στο σφάλμα.
Η έκτη ενότητα αφορά τη μοντελοποίηση της χρονοσειράς με νευρωνικά δίκτυα και η τελευταία κατέληξε με τα συμπεράσματα της σύγκρισης των δύο μεθοδών. | el_GR |
dc.format.extent | 148 σ. | el_GR |
dc.language.iso | el_GR | el_GR |
dc.rights | CC0 1.0 Παγκόσμια | * |
dc.rights | Attribution-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/4.0/ | * |
dc.subject | χρονοσειρά | el_GR |
dc.subject | προβλέψεις | el_GR |
dc.subject | τεχνική ανάλυση | el_GR |
dc.subject | νευρωνικά δίκτυα | el_GR |
dc.subject | ΑΡΙΜΑ | en_US |
dc.subject | ΜΑ | en_US |
dc.subject | ΑR | en_US |
dc.subject | error | en_US |
dc.subject.lcsh | Neural networks (Computer science) (URL: http://id.loc.gov/authorities/subjects/sh90001937) | en_US |
dc.subject.lcsh | Time-series analysis (URL: http://id.loc.gov/authorities/subjects/sh85135430) | en_US |
dc.title | Μελέτη επιρροής κοινωνικών δεδομένων στην τεχνική ανάλυση χρηματιστηριακών δεικτών με μεθόδους επεξεργασίας χρονοσειρών | el_GR |
dcterms.accessRights | free | el_GR |
dcterms.rights | Πλήρες Κείμενο - Ελεύθερη Δημοσίευση | el_GR |
heal.type | masterThesis | el_GR |
heal.recordProvider | aegean | el_GR |
heal.committeeMemberName | Δρόσος, Δημήτρης | el_GR |
heal.committeeMemberName | Ριζομυλιώτης, Παναγιώτης | el_GR |
heal.committeeMemberName | Μαραγκουδάκης, Εμμανουήλ | el_GR |
heal.academicPublisher | Πανεπιστήμιο Αιγαίου - Πολυτεχνική Σχολή - Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων | el_GR |
heal.academicPublisherID | aegean | el_GR |
heal.fullTextAvailability | true | el_GR |
dc.contributor.department | Πληροφοριακά και Επικοινωνιακά Συστήματα | el_GR |