Ανάλυση νομισματικών ισοτιμιών χρησιμοποιώντας Βαθιές Μηχανές Μάθησης (Deep Learning) (Master thesis)
Κριτσωτάκης, Ιωάννης
This dissertation is concerned with foreign exchange rate analysis using deep learning machines. Deep learning is a rather new neural learning technique that uses multiple hidden layers in order to capture the correlations between the data. Specifically, experiments were conducted on the direction of the US dollar – Euro exchange rate using a model based on a deep belief network. A wide selection of economic variables was used as an input. This model is comprised of stacked RBMs, whose weights were used to initialize a Multi Layer Perceptron model with a similar structure, trained with Conjugate Gradient optimization. In order to improve the generalization efficiency of the model, an investigation was conducted regarding the selection of the best features based on the information gain. The results showed that we can achieve considerably improved accuracy, compared to previous attempts on foreign exchange rate prediction.
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Subject classification: | Foreign exchange rates Συναλλαγματικές ισοτιμίες Monetary policy Νομισματική πολιτική |
| Keywords: | Deep Learning;Βαθιές Μηχανές Μάθησης;ισοτιμία νομισμάτων;exchange rates |
| Description: | Μεταπτυχιακή εργασία--Σχολή Τεχνολογικών Εφαρμογών--Τμήμα Μηχανικών Πληροφορικής,2015--7010 |
| URI: | http://195.251.240.227/jspui/handle/123456789/12855 |
| Item type: | masterThesis |
| General Description / Additional Comments: | Μεταπτυχιακή |
| Subject classification: | Foreign exchange rates Συναλλαγματικές ισοτιμίες Monetary policy Νομισματική πολιτική |
| Item language: | el |
| Item access scheme: | account |
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Publication date: | 2015-07-13 |
| Bibliographic citation: | <<ΙΩΑΝΝΗ ΚΡΙΤΣΩΤΑΚΗ>>, <<Ανάλυση νομισματικών ισοτιμιών χρησιμοποιώντας Βαθιές Μηχανές Μάθησης (Deep Learning)>>, <<Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής>>, <<Τ.Ε.Ι. Θεσσαλονίκης>>, <<2015>> |
| Abstract: | Αυτή η εργασία ασχολείται με την ανάλυση νομισματικών ισοτιμιών χρησιμοποιώντας μηχανές Βαθιάς Μάθησης. Η βαθιά μάθηση είναι μια σχετικά νέα τεχνική που χρησιμοποιεί πολλαπλά στρώματα νευρώνων για να μπορέσει να εκφράσει τις ιδιαίτερα πολύπλοκες συσχετίσεις μεταξύ των δεδομένων. Συγκεκριμένα έγιναν πειράματα πρόβλεψης της ανόδου ή καθόδου της ισοτιμίας Ευρώ – Δολαρίου χρησιμοποιώντας ένα μοντέλο με βάση ένα δίκτυο βαθιάς Πεποιθήσεως. Ως είσοδος στο μοντέλο αυτό χρησιμοποιήθηκε ένα ευρύ σύνολο από οικονομικές μεταβλητές. Το μοντέλο αυτό αποτελείται από στοιβαγμένες Περιορισμένες Μηχανές Boltzmann (RBM), των οποίων τα βάρη χρησιμοποιήθηκαν για να αρχικοποιήσουν ένα μοντέλο πολλαπλών στρωμάτων Perceptron (MLP) παρόμοιας δομής που εκπαιδεύεται με συζυγή κατάβαση δυναμικού. Για να βελτιωθεί η ικανότητα γενίκευσης του μοντέλου, έγινε διερεύνηση της χρήσης επιλεγμένων χαρακτηριστικών με βάση το κέρδος πληροφορίας. Τα αποτελέσματα έδειξαν ότι επιτυγχάνεται αρκετά καλή απόδοση, σε σχέση πάντα με προηγούμενες προσπάθειες πάνω στην πρόβλεψη νομισματικών ισοτιμιών. This dissertation is concerned with foreign exchange rate analysis using deep learning machines. Deep learning is a rather new neural learning technique that uses multiple hidden layers in order to capture the correlations between the data. Specifically, experiments were conducted on the direction of the US dollar – Euro exchange rate using a model based on a deep belief network. A wide selection of economic variables was used as an input. This model is comprised of stacked RBMs, whose weights were used to initialize a Multi Layer Perceptron model with a similar structure, trained with Conjugate Gradient optimization. In order to improve the generalization efficiency of the model, an investigation was conducted regarding the selection of the best features based on the information gain. The results showed that we can achieve considerably improved accuracy, compared to previous attempts on foreign exchange rate prediction. |
| Advisor name: | Διαμαντάρας, Κωνσταντίνος |
| Examining committee: | Διαμαντάρας, Κωνσταντίνος |
| Publishing department/division: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Publishing institution: | teithe |
| Number of pages: | 145 |
| Appears in Collections: | Μεταπτυχιακές Διατριβές |
Files in This Item:
There are no files associated with this item.
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/12855
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
