Πρόβλεψη της ισοτιμίας EUR/USD με μεθόδους μηχανικής μάθησης (Bachelor thesis)

Παναγής, Αρτουμάς


Full metadata record
DC FieldValueLanguage
dc.contributor.authorΠαναγής, Αρτουμάςel
dc.date.accessioned2020-11-15T13:45:16Z-
dc.date.available2020-11-15T13:45:16Z-
dc.identifier.urihttp://195.251.240.227/jspui/handle/123456789/12507-
dc.descriptionΠτυχιακή εργασία--Σχολή Τεχνολογικών Εφαρμογών--Τμήμα Μηχανικών Πληροφορικής,2017--9349el
dc.rightsDefault License-
dc.subjectΚατασκευή Σετ Δεδομένωνel
dc.subjectΜηχανική Μάθησηel
dc.subjectΠρόβλεψη Νομισματικής Ισοτιμίαςel
dc.subjectΧρονοσειρέςel
dc.subjectΠαλινδρόμηση Διανυσμάτων Υποστήριξηςel
dc.subjectDataset Buildingen
dc.subjectForeign Exchange RateForecasten
dc.subjectMachine Learningen
dc.subjectSVRen
dc.subjectTime Seriesen
dc.titleΠρόβλεψη της ισοτιμίας EUR/USD με μεθόδους μηχανικής μάθησηςel
heal.typebachelorThesis-
heal.type.enBachelor thesisen
heal.generalDescriptionΠτυχιακήel
heal.classificationΜηχανική μάθησηel
heal.classificationMachine learningen
heal.classificationΝομισματική πολιτικήel
heal.classificationMonetary policyen
heal.classificationΣυναλλαγματική ισοτιμίαel
heal.classificationExchange rateen
heal.identifier.secondary9349-
heal.languageel-
heal.accessaccount-
heal.recordProviderΣχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικήςel
heal.publicationDate2017-12-21-
heal.bibliographicCitation<<Αρτουμά Παναγή>>, <<Πρόβλεψη της ισοτιμίας EUR/USD με μεθόδους μηχανικής μάθησης>>, <<Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής>>, <<Τ.Ε.Ι. Θεσσαλονίκης>>, <<2017>>el
heal.abstractΗ παρούσα πτυχιακή εργασία αποσκοπεί, στη μελέτη της πρόβλεψης τηςνομισματικήςισοτιμίας Ευρώ – Δολάριοχρησιμοποιώντας τεχνικές της μηχανικής μάθησης. Πιο συγκεκριμένα, χρησιμοποιείται η Παλινδρόμηση Διανυσμάτων Υποστήριξης (SVR), η οποία αποτελεί ένα αξιόπιστο μοντέλο μηχανικής μάθησης, που χρησιμοποιώντας το τέχνασμα του πυρήνα, μετασχηματίζει τα δεδομένα εισόδου σε έναν χώρο με μεγαλύτερες διαστάσεις και εκεί κάνει παλινδρόμηση.Στην παρούσα εργασία, αρχικά, δημιουργούνται σετ δεδομένων από την επεξεργασίαακατέργαστωνδεδομένων, τα οποία ανακτήθηκαν από την Ευρωπαϊκή Κεντρική Τράπεζα και τον brokerDukascopy, ενώ στη συνέχεια διενεργούνται πειράματα σε αυτάχρησιμοποιώντας τέσσερα μοντέλα ε-SVRμε διαφορετικόπυρήνα το κάθε ένα, των οποίων οι υπερ-παράμετροι βρέθηκαν με τη διαδικασία GridSearch. Στα πειράματα αυτά, πραγματοποιούνται τριών ειδών προβλέψεις της ισοτιμίας, ανά ημέρα, ανά ώρα και ανά δέκα λεπτά. Για την πραγμάτωση των προβλέψεων, εκτός των ιστορικών τιμών της ισοτιμίας, γίνεται χρήση δεδομένων από το StockTwitsπου αφορούν τη προδιάθεση επενδυτών προς την άνοδο ή κάθοδο της τιμής της ισοτιμίας.Τα αποτελέσματα, έδειξαν πως είναι δύσκολη η κατασκευή μοντέλων μηχανικής μάθησης, που αποδίδουν καλά στην πρόβλεψη των μελλοντικών τιμών των νομισματικών ισοτιμιών. Επιπλέον, φάνηκε πως δεν είναιξεκάθαρο εάν το συναίσθημα των επενδυτών από το StockTwitsσυμβάλει θετικά στην εκπαίδευση των μοντέλων ή απλά αποτελεί θόρυβο. Σε μερικές περιπτώσεις, φαίνεται πως αποτελεί χρήσιμη πληροφορία, ενώ σε μερικές άλλες θόρυβο.el
heal.abstractThis present thesis aims to study the forecasting of exchange rate EUR/USD, using machine learning techniques. Particularly with the use of SVR, a reliable machine learning model, that, using the kernel trick, transforms input data into a space with higher dimensions and thereby makes regression. In this thesis, firstly, datasets have been crafted out of raw data, which were gathered by the European Central Bank and the broker Dukascopy, following this, experiments were carried out based on the aforementioned data, by using four ε-SVR models each with a different core, whose hyper-parameters were found through the Grid Search procedure. In these experiments, three kinds of exchange rate forecasts are realised; per day, per hour and per ten minutes. In order to realise the forecasts, in addition to the historic exchange rates, data from the Stock Twits are used to uncover the predispositions of investors, towards the rise or fall of the exchange rates. The results have shown that it is difficult to construct machine learning models, that are well suited to predicting the future of exchange rates. Furthermore, it seemed unclear as to whether the sentiment of investors from the Stock Twits contributes positively in the training of models or simply constitutes noise. In some cases, the information proves useful, while in others, little more than noise.en
heal.tableOfContentsΠεριεχόμενα Περίληψη 2 Abstract 3 Ευχαριστίες 4 Περιεχόμενα 5 Ευρετήριο σχημάτων 8 Ευρετήριο πινάκων 10 Εισαγωγή 11 Κεφάλαιο 1: Μηχανές Διανυσμάτων Υποστήριξης (SVM) 13 Εισαγωγή 13 1.1 Ιστορική Αναδρομή 13 1.2 Βασική Ιδέα 13 1.3 Ανάλυση 14 1.4 Τέχνασμα του Πυρήνα (Kernel Trick) 16 1.5 Παλινδρόμηση Διανυσμάτων Υποστήριξης (SVR) 17 1.5.1 Βασική Ιδέα 17 1.5.2 Ανάλυση 17 Επίλογος 19 Κεφάλαιο 2 : Θεωρητικό Υπόβαθρο 20 Εισαγωγή 20 2.1 Χρονοσειρές (Time Series) 20 2.1.1 Συστατικά των Χρονοσειρών (Time Series Components) 23 2.2 ΔημιουργίαΣετΔεδομένωναπόΧρονοσειρές 23 2.2.1 Κυλιόμενο Παράθυρο (Sliding Window) 24 2.2.2 Πολυμεταβλητό ΚυλιόμενοΠαράθυρο(Sliding Window with Multivariates) 25 2.2.3 ΚυλιόμενοΠαράθυροΠολλαπλώνΒημάτων (SlidingWindowwithMultipleSteps) 26 2.3 Αξιολόγηση εκτιμητών 26 2.3.1 Μοντέλο Εμμονής (Persistence Model) 27 2.3.2 Κριτήρια Σύγκρισης και Αξιολόγησης (Μετρικές) Εκτιμητών Χρονικών Δεδομένων 28 2.4 Αξιολόγηση της γενίκευσης ενός εκτιμητή 30 2.4.1 K-Fold Cross Validation 30 2.4.2 TimeSeriesCrossValidation 32 Επίλογος 33 Κεφάλαιο 3 : Δημιουργία Σετ Δεδομένων από Ακατέργαστα Δεδομένα 35 Εισαγωγή 35 3.1 Ανάκτηση Δεδομένων 35 3.2 Καθαρισμός (Data Cleaning) και Ενοποίηση Ακατέργαστων Δεδομένων 39 3.2.1 Ημερήσια Δεδομένα 39 3.2.2 Δεδομένα ανά ώρα 42 3.2.3 Δεδομένα ανά δέκα λεπτά 44 3.3 Δημιουργία σετ δεδομένων 45 Επίλογος 47 Κεφάλαιο 4: Επίλυση του προβλήματος χρησιμοποιώντας τον αλγόριθμο ε-SVR 48 Εισαγωγή 48 4.1 Κατασκευή ενός μοντέλου 48 4.2 Εκπαίδευση και Έλεγχος της γενίκευσης ενός μοντέλου 49 4.3 Οργάνωση των πειραμάτων 51 4.4 Εύρεση των βέλτιστων τιμών των υπερ-παραμέτρων των ε-SVR μέσω της διαδικασίας Grid Search 54 4.5 Αποτελέσματα 61 Επίλογος 69 Συμπεράσματα 70 Βιβλιογραφικές Αναφορές 71 Βιβλία 71 Άρθρα 71 Ιστοσελίδες 72 Παραρτήματα 73 Παράρτημα του Κεφαλαίου 2 73 Υλοποίηση των μετρικών επίδοσης εκτιμητών που χρησιμοποιήθηκαν στην παρούσα εργασία 73 Παράρτημα του Κεφαλαίου 3 74 Δημιουργία σετ δεδομένων με την ημερήσια τιμή της ισοτιμίας EUR/USD και το συναίσθημα επενδυτών από το StockTwits. Η τιμή της ισοτιμίας καταγράφηκε από την Ευρωπαϊκή Κεντρική Τράπεζα στις 14:15 CET κάθε εργάσιμης ημέρας 74 Δημιουργία σετ δεδομένων με την τιμή προσφοράς της ισοτιμίας EUR/USD ανά ώρα και το συναίσθημα επενδυτών από το StockTwits. Η τιμή της ισοτιμίας καταγράφηκε από την Dukascopy Bank SA κάθε εργάσιμη ώρα. 77 Δημιουργία σετ δεδομένων με την τιμή προσφοράς της ισοτιμίας EUR/USD ανά δέκα λεπτά και το συναίσθημα επενδυτών από το StockTwits. Η τιμή της ισοτιμίας καταγράφηκε από την Dukascopy Bank SA κάθε εργάσιμο λεπτό. 81 Παράρτημα του Κεφαλαίου 4 83 Διαχείριση σετ δεδομένων 83 Εύρεση των βέλτιστων τιμών των υπερ-παραμέτρων των μοντέλων ε-SVR 86 Κατασκευή, Εκπαίδευση και Έλεγχος της επίδοσης των μοντέλων ε-SVR 87 Κατασκευή, Εκπαίδευση και Έλεγχος της επίδοσης των μοντέλων Rolling Forecast ε-SVR 89el
heal.advisorNameΔιαμαντάρας , Κωνσταντίνοςel
heal.committeeMemberNameΔιαμαντάρας, Κωνσταντίνοςel
heal.academicPublisherΣχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικήςel
heal.academicPublisherIDteithe-
heal.numberOfPages93-
heal.fullTextAvailabilityfalse-
heal.type.elΠροπτυχιακή/Διπλωματική εργασίαel
Appears in Collections:Πτυχιακές Εργασίες

Files in This Item:
There are no files associated with this item.



 Please use this identifier to cite or link to this item:
http://195.251.240.227/jspui/handle/123456789/12507
  This item is a favorite for 0 people.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.