Stock prices forecasting using machine learning techniques
| Κύριος συγγραφέας: | |
|---|---|
| Μορφή: | Πτυχιακή εργασία |
| Γλώσσα: | English |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5473 |
| _version_ | 1780524638709743616 |
|---|---|
| abstract | Predicting stock behavior is an issue that has been studied by many scientists and engineers, and it forms today's cutting-edge research. Great interest can be found in the combination of the financial science and the IT science, as the correct prediction of stock shares is of great economic importance for the apparent reason that an application could be profitable for either the creator of the customer. Using computing power today, which has reached unprecedented levels of power, we can build more complex and computationally powerful applications than ever before. A typical example for approximately the past ten years is the exponential growth in the development and use of "Artificial Intelligence" applications. More and more people see the prospects and the countless applications that such models in the real world could give, as countless companies are already providing these services, such as the colossal companies Google and Amazon. Therefore, using Python programming language and its libraries like SciKit Learn and Keras, we can create stock behavior, prediction models. More specifically, we will study linear models of the SciKit Learn library such as Linear Regression, Tree Decision, and Deep Learning models of the Keras library, such as Long Short-Term Memory, which is a more accurate model than the previous models in terms of stock forecasting. The purpose of the current thesis is to analyze these forecasting techniques and learn how they can be applied in the financial data and become familiar with the Python programming language and its capabilities in data analysis and processing. |
| abstracttranslated | Η πρόβλεψη της συμπεριφοράς των μετοχών είναι ένα ζήτημα το οποίο έχει μελετηθεί από πολλούς επιστήμονες και μηχανικούς και αποτελεί έρευνα αιχμής. Τεράστιο ενδιαφέρον προκαλεί ο συνδυασμός του οικονομικού τομέα και του τομέα της πληροφορικής, καθώς έχει μεγάλη οικονομική σημασία η σωστή πρόβλεψη των μετοχών για τον ευνόητο λόγο που μπορεί να προβεί μία εφαρμογή κερδοφόρα για τον δημιουργό ή για τον πελάτη. Χρησιμοποιώντας την υπολογιστική δύναμη στις μέρες μας, η οποία έχει φτάσει σε πρωτόγνωρα επίπεδα δύναμης, μπορούμε να φτιάξουμε εφαρμογές πιο περίπλοκες και υπολογιστικά πιο δυνατές από ποτέ. Χαρακτηριστικό παράδειγμα τα τελευταία περίπου 10 χρόνια είναι η εκθετική αύξηση στην εξέλιξη και χρήση εφαρμογών «Τεχνητής Νοημοσύνης». Όλο και περισσότερος κόσμος βλέπει την προοπτική και τις αμέτρητες εφαρμογές που σου δίνουν τέτοιου είδους μοντέλα στον πραγματικό κόσμο, καθώς ακολουθούν και αμέτρητες εταιρείες όπως οι εταιρείες κολοσσοί Google και Amazon. Χρησιμοποιώντας λοιπόν τη γλώσσα προγραμματισμού Python και τις βιβλιοθήκες της όπως η SciKit Learn και η Keras μπορούμε να δημιουργήσουμε μοντέλα πρόβλεψης συμπεριφοράς των μετοχών. Πιο συγκεκριμένα θα δούμε γραμμικά μοντέλα της βιβλιοθήκης SciKit Learn όπως το Linear Regression και το Tree Decision καθώς και μοντέλα Deep Learning της βιβλιοθήκης Keras όπως το Long Short-Term Memory, το οποίο είναι ακριβέστερο από τα υπόλοιπα μοντέλα όσον αφορά την πρόβλεψη μετοχών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάλυση αυτών των τεχνικών πρόβλεψης και το πώς εφαρμόζονται πάνω στον οικονομικό τομέα, αλλά και η εξοικείωση με τη γλώσσα προγραμματισμού Python και τις δυνατότητές της πάνω στην ανάλυση και επεξεργασία δεδομένων. |
| advisor | |
| author | Λουκαΐδης, Εμμανουήλ-Ανδρέας |
| author_facet | Λουκαΐδης, Εμμανουήλ-Ανδρέας |
| author_sort | Λουκαΐδης, Εμμανουήλ-Ανδρέας |
| collection | Okeanis Institutional Repository |
| facultydepartment | Τμήμα Ηλεκτρολόγων Μηχανικών Τ.Ε. |
| format | Πτυχιακή εργασία |
| id | okeanis-123456789-5473 |
| institution | University of West Attica Campus II |
| keyword | Machine learning Neural network Python Regression Stock market forecasting Deep learning Νευρωνικά δίκτυα Βαθιά μάθηση Μηχανική μάθηση Πρόβλεψη μετοχών |
| language | English |
| physical | 65 |
| publishDate | 2020 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-54732020-11-10T09:23:20Z Stock prices forecasting using machine learning techniques Πρόβλεψη της τιμής των μετοχών χρησιμοποιώντας τεχνικές μηχανικής μάθησης Λουκαΐδης, Εμμανουήλ-Ανδρέας Κουλούρας, Γρηγόριος Τμήμα Ηλεκτρολόγων Μηχανικών Τ.Ε. TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη Machine learning Neural network Python Regression Stock market forecasting Deep learning Νευρωνικά δίκτυα Βαθιά μάθηση Μηχανική μάθηση Πρόβλεψη μετοχών Predicting stock behavior is an issue that has been studied by many scientists and engineers, and it forms today's cutting-edge research. Great interest can be found in the combination of the financial science and the IT science, as the correct prediction of stock shares is of great economic importance for the apparent reason that an application could be profitable for either the creator of the customer. Using computing power today, which has reached unprecedented levels of power, we can build more complex and computationally powerful applications than ever before. A typical example for approximately the past ten years is the exponential growth in the development and use of "Artificial Intelligence" applications. More and more people see the prospects and the countless applications that such models in the real world could give, as countless companies are already providing these services, such as the colossal companies Google and Amazon. Therefore, using Python programming language and its libraries like SciKit Learn and Keras, we can create stock behavior, prediction models. More specifically, we will study linear models of the SciKit Learn library such as Linear Regression, Tree Decision, and Deep Learning models of the Keras library, such as Long Short-Term Memory, which is a more accurate model than the previous models in terms of stock forecasting. The purpose of the current thesis is to analyze these forecasting techniques and learn how they can be applied in the financial data and become familiar with the Python programming language and its capabilities in data analysis and processing. Η πρόβλεψη της συμπεριφοράς των μετοχών είναι ένα ζήτημα το οποίο έχει μελετηθεί από πολλούς επιστήμονες και μηχανικούς και αποτελεί έρευνα αιχμής. Τεράστιο ενδιαφέρον προκαλεί ο συνδυασμός του οικονομικού τομέα και του τομέα της πληροφορικής, καθώς έχει μεγάλη οικονομική σημασία η σωστή πρόβλεψη των μετοχών για τον ευνόητο λόγο που μπορεί να προβεί μία εφαρμογή κερδοφόρα για τον δημιουργό ή για τον πελάτη. Χρησιμοποιώντας την υπολογιστική δύναμη στις μέρες μας, η οποία έχει φτάσει σε πρωτόγνωρα επίπεδα δύναμης, μπορούμε να φτιάξουμε εφαρμογές πιο περίπλοκες και υπολογιστικά πιο δυνατές από ποτέ. Χαρακτηριστικό παράδειγμα τα τελευταία περίπου 10 χρόνια είναι η εκθετική αύξηση στην εξέλιξη και χρήση εφαρμογών «Τεχνητής Νοημοσύνης». Όλο και περισσότερος κόσμος βλέπει την προοπτική και τις αμέτρητες εφαρμογές που σου δίνουν τέτοιου είδους μοντέλα στον πραγματικό κόσμο, καθώς ακολουθούν και αμέτρητες εταιρείες όπως οι εταιρείες κολοσσοί Google και Amazon. Χρησιμοποιώντας λοιπόν τη γλώσσα προγραμματισμού Python και τις βιβλιοθήκες της όπως η SciKit Learn και η Keras μπορούμε να δημιουργήσουμε μοντέλα πρόβλεψης συμπεριφοράς των μετοχών. Πιο συγκεκριμένα θα δούμε γραμμικά μοντέλα της βιβλιοθήκης SciKit Learn όπως το Linear Regression και το Tree Decision καθώς και μοντέλα Deep Learning της βιβλιοθήκης Keras όπως το Long Short-Term Memory, το οποίο είναι ακριβέστερο από τα υπόλοιπα μοντέλα όσον αφορά την πρόβλεψη μετοχών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάλυση αυτών των τεχνικών πρόβλεψης και το πώς εφαρμόζονται πάνω στον οικονομικό τομέα, αλλά και η εξοικείωση με τη γλώσσα προγραμματισμού Python και τις δυνατότητές της πάνω στην ανάλυση και επεξεργασία δεδομένων. 2020-11-06 Πτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5473 en http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 65 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/5473/4/BSc%20Thesis_Stock%20Prices%20Forecasting%20using%20Machine%20Learning%20Techniques_Signed.pdf.jpg |
| spellingShingle | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη Λουκαΐδης, Εμμανουήλ-Ανδρέας Stock prices forecasting using machine learning techniques |
| title | Stock prices forecasting using machine learning techniques |
| title_full | Stock prices forecasting using machine learning techniques |
| title_fullStr | Stock prices forecasting using machine learning techniques |
| title_full_unstemmed | Stock prices forecasting using machine learning techniques |
| title_short | Stock prices forecasting using machine learning techniques |
| title_sort | stock prices forecasting using machine learning techniques |
| title_translated | Πρόβλεψη της τιμής των μετοχών χρησιμοποιώντας τεχνικές μηχανικής μάθησης |
| topic | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5473 |