Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Towards an artificially intelligent trading system. Using conventional time series analysis, along with Long Short Term Memory Recurrent Neural Networks for stock price forecasting: a comparative study, on the seven highest capitalization stocks of the FTSEASE25 index

Εναλλακτικός τίτλος :	Οδεύοντας προς ένα σύστημα τεχνητής νοημοσύνης αγοραπωλησίας μετοχών. Αντιπαραθέτοντας την παραδοσιακή ανάλυση χρονολογικών σειρών, με τα Μακράς Βραχείας Διάρκειας Αναδρομικά Νευρωνικά Δίκτυα για την πραγματοποίηση πρόβλεψης της τιμής των μετοχών: συγκριτική μελέτη των επτά μετοχών, με την μεγαλύτερη καφαλαιοποίηση του δείκτη FTSEASE25 του Χρηματιστηρίου Αξιών Αθηνών

Εναλλακτικός τίτλος :

Οδεύοντας προς ένα σύστημα τεχνητής νοημοσύνης αγοραπωλησίας μετοχών. Αντιπαραθέτοντας την παραδοσιακή ανάλυση χρονολογικών σειρών, με τα Μακράς Βραχείας Διάρκειας Αναδρομικά Νευρωνικά Δίκτυα για την πραγματοποίηση πρόβλεψης της τιμής των μετοχών: συγκριτική μελέτη των επτά μετοχών, με την μεγαλύτερη καφαλαιοποίηση του δείκτη FTSEASE25 του Χρηματιστηρίου Αξιών Αθηνών

Δημιουργός :	Aloupis, Konstantinos A. Αλούπης, Κωνσταντίνος Α.

Συντελεστής :	Koutroumbas, Konstantinos (Επιβλέπων καθηγητής) Karlis, Dimitrios (Εξεταστής) Vassalos, Vasilios (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	92 p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6704

Περίληψη :	Machines baring the gift of intelligence have been dreamt by inventors for eons. This long lasting aspiration dates back to Daedalus, Hephaestus, Talus and Pandora. In the last few years a critical mass of interconnecting counterparts such as increase in computational power and cognitive advances in algorithms, has empowered and democratized artificial intelligence, while broadening its applications. Numerous fields have been benefited by this conjuncture; visual pattern recognition, natural language processing, data mining to name a few. A spill-of effect from these scientific regions to the financial field is silently increasing its pace. Long tested and widely accepted traditional techniques in financial time series forecasting, are gradually grafted with Machine learning and Artificial Intelligence so as to expand the forecasting arsenal. The aim of this thesis is to carry out a preliminary investigation on the ability of Long-Short term memory recurrent neural networks (LSTM-RNNs) to perform reliable one step ahead predictions on the closing price of Greeks stocks. Their performance will be evaluated against a variety of well-established time series models in traditional statistical and technical analysis, such as moving averages (MAVG) and Auto Regressive Integrated Moving Average (ARIMA). Additionally they will be tested against the basis of feed forward neural networks (FFNN), the Multilayer Perceptron (MLP). All the above mentioned models will also be used for performing one step ahead prediction on the Euro-Dollar spot exchange rate, due to its extreme liquidity and long history of prices.Each of the available time series in this study are split into two smaller ones; the first constitutes the so called training set, which is used to estimate the parameters of each model -were necessary-, while the second constitutes the test set, which is used for model evaluation. The latter is performed in terms of the Root mean square error (RMSE) applied on the test set. The model with the lowest average RMSE, will be the one that outperforms the others. For this endeavor, as an implementation tool for constructing the LSTM-RNN, Google’s deep learning framework –known as TensorFlow- is used. The main reason for adopting this extremely complicated and with an inherently quite flat learning curve tool, is its immense scalability and in-depth parameterization and configuration abilities; compared of course to other similar higher level solutions such as Keras and Torch.From our preliminary results it becomes obvious, as it is self-evident, that none of the models achieves high accuracy in short term stock price forecasting. Noticeably better –reduced RMSE approximately by 20% on average when compared to benchmarks-, is found to be the LSTM-RNN under several restrictions only for the large capitalization commercial stocks of TITAN, OPAP, OTE, MOH, EEE and MPELA; representing almost 50% of the FTSEASE25 index capitalization. These findings are completely in line with previous studies on foreign stock exchanges, signaling a new terra incognita for the analysis of the Greek stock market which is in a shocking shortage of such inquires; that is the main contribution of this thesis. One of the many peculiarities with this task at hand, and commonly admitted by the literature to be the hardest part of every research, is the clarification of the data input feed pipeline for the TensorFlow model building stage. This process is demonstrated here methodically, not lacking the proper attention. Μηχανές που φέρουν το δώρο της τεχνητής νοημοσύνης, αποτελούν το όνειρο των εφευρετών εδώ και αιώνες. Αυτή η φιλοδοξία αντικατοπτρίζεται ακόμα και στην μυθική εποχή του Δαίδαλου, του Ηφαίστου και της Πανδώρας. Τα τελευταία χρόνια μια κρίσιμη μάζα αλληλοσυνδεόμενων μερών, όπως η αύξηση της υπολογιστικής δύναμης και η γνωσιακή πρόοδος στην επιστήμη των δεδομένων και των αλγορίθμων, έδωσε σάρκα και οστά στον εκδημοκρατισμό της τεχνητής νοημοσύνης, διευρύνοντας της εφαρμογές της.Από αυτή την συγκυρία, πολλά και ποικίλα επιστημονικά πεδία όπως η ανίχνευση μοτίβων σε εικόνες, η μηχανική μέθηση κειμένου και η εξόρυξη δεδομένων, έχουν επωφεληθεί. Η διάχυση αυτού του φαινομένου από τα άνωθεν επιστημονικά πεδία, σε αυτό της χρηματοοικονομικής σιωπηλά αυξάνει σε ρυθμό. Οι παραδοσιακές ευρέως αποδεκτές και εμπεριστατωμένες επιστημονικές μέθοδοι πρόβλεψης χρηματοοικονομικών σειρών, σταδιακά μπολιάζονται με τις μεθόδους της μηχανικής μάθησης και της τεχνητής νοημοσύνης προκειμένου, να διευρύνουν και να ενισχύσουν το προβλεπτικό τους οπλοστάσιο.Στόχος αυτής της πτυχιακής είναι, να διεξάγει μια έρευνα αναφορικά με την ικανότητα των Μακράς Βραχείας Διάρκειας Αναδρομικών Νευρωνικών Δικτύων LSTM-RNN, προκειμένου να διαπιστωθεί εάν είναι ικανά να πραγματοποιούν αξιόπιστες προβλέψεις στην τιμή κλεισίματος των ελληνικών μετοχών μια μερά μπροστά στο μέλλον. Η απόδοσή τους θα δοκιμαστεί και θα συγκριθεί απέναντι σε μια πληθώρα, ευρέως εδραιωμένων στατιστικών μοντέλων ανάλυσης χρονολογικών σειρών και τεχνικής ανάλυσης. Αυτά, μεταξύ άλλων, περιλαμβάνουν κινητούς μέσους όρους και αυτοπαλίνδρομα σχήματα κινητών μέσων. Επιπροσθέτως θα συγκριθούν με το θεμέλιο των νευρωνικών δικτύων FFNN το MLP. Όλα τα προαναφερθέντα μοντέλα θα χρησιμοποιηθούν επίσης και για την μιας μέρας στο μέλλον πρόβλεψη, της τιμής κλεισίματος της τιμής συναλλάγματος του ευρώ-δολλαρίου εξαιτίας της ακραίας ρευστότητάς του και της μακράς ιστορικότητας των τιμών του.Κάθε χρονοσειρά που χρησιμοποιείται στην πτυχιακή χωρίζεται σε δύο μικρότερα σετ δεδομένων. Το πρώτο αποτελεί το λεγόμενο σετ εκπαίδευσης, με βάση το οποίο θα πραγματοποιηθεί η εκτίμηση των παραμέτρων του κάθε μοντέλου. Το δεύτερο αποτελεί το σετ ελέγχου, το οποίο θα αξιοποιηθεί για την διερεύνηση της αξιολόγησης των μοντέλων. Αυτή η διαδικασία πραγματοποιείται χρησιμοποιώντας την ρίζα του μέσου τετραγωνικού σφάλματος RMSE, σχετικά με τις εκτιμήσεις που παραγάγει το σέτ ελέγχου. Το μοντέλο με το μικρότερο RMSE θα είναι και εκείνο το οποίο, θα υπερτερεί έναντι των υπολοίπων. Για τους σκοπούς αυτής της προσπάθειας προκειμένου να κατασκευαστεί το LSTM-RNN, θα χρησιμοποιηθεί το πλαίσιο ανάπτυξης και εφαρμογής της μηχανικής μάθησης της Google, το οποίο είναι γνωστό με το όνομα TensorFlow. Ο θεμελιώδης λόγος για τον οποίο επιλέχθηκε αυτό το ακραία δύσκολο και εξαιρετικά δυσνόητο εργαλείο, που διακρίνεται για την αργή διαδικασία εκμάθυνσής του, είναι η μεγάλη του ικανότητα αναφορικά με την παραμετροποίηση και την επεκτασιμότητά του, συγκρινόμενο φυσικά με αλλα παρεμφερή εργαλεία όπως είναι το Keras και το Torch.Τα αποτελέσματα της πτυχιακής καταδεικνύουν εμφανώς, όπως ήταν αναμενόμενο, ότι κανένα από τα μοντέλα δεν επιτυγχάνει υψηλή ακρίβεια αναφορικά με την βραχυχρόνια πρόβλεψη της τιμής κλεισίματος των μετοχών. Αξιοσημείωτα όμως καλύτερο, με μειωμένο κατά 20% κατά μέσο όρο σε σχέση με τα μοντέλα ελέγχου, αποδεικνύεται το LSTM-RNN κάτω απο διάφορες προυποθέσεις και περιορισμούς και μόνο για τις υψηλής κεφαλαιοποίησης μετοχές των ΤΙΤΚ, ΟΠΑΠ, ΟΤΕ, ΜΟΗ, ΕΕΕ, ΜΠΕΛΑ, οι οποίες και αντικατοπτρίζουν το 50% της κεφαλαιοποίησης του γενικού δείκτη FTSEASE25 του Χρηματιστηρίου Αξιών Αθηνών. Τα ευρήματα αυτά βρίσκονται σε πλήρη ευθυγράμμιση με μελέτες σχετικές με την προβλεψιμότητα χρονοσειρών της συναλλαγματικής ισοτιμίας, σηματοδοτώντας μια νέα αχαρτογράφητη εποχή για την ανάλυση της Ελληνικής Χρηματιστηριακής αγοράς η οποία βρίσκεται σε σχετική έλλειψη τέτοιου είδους μελετών. Αυτή ακριβώς είναι και η προστιθέμενη αξία αυτής της πτυχιακής. Μεταξύ των διαφόρων ιδιαιτεροτήτων με τις οποίες η πτυχιακή αυτή ήρθε αντιμέτωπη είναι η αποδεδειγμένη, αποδεκτή και απο την διεθνή βιβλιογραφία, δυσκολία στην διασάφηση του σχήματος με βάση το οποίο, γίνεται η κατασκευή της γραμμής εισαγωγής των δεδομένων στο μοντέλο για το TensorFlow. Η διαδικασία αυτή παρουσιάζεται μεθοδικά και αναλυτικά κατά την ανάπτυξη αυτής της μελέτης.

Περίληψη :

Machines baring the gift of intelligence have been dreamt by inventors for eons. This long lasting aspiration dates back to Daedalus, Hephaestus, Talus and Pandora. In the last few years a critical mass of interconnecting counterparts such as increase in computational power and cognitive advances in algorithms, has empowered and democratized artificial intelligence, while broadening its applications. Numerous fields have been benefited by this conjuncture; visual pattern recognition, natural language processing, data mining to name a few. A spill-of effect from these scientific regions to the financial field is silently increasing its pace. Long tested and widely accepted traditional techniques in financial time series forecasting, are gradually grafted with Machine learning and Artificial Intelligence so as to expand the forecasting arsenal. The aim of this thesis is to carry out a preliminary investigation on the ability of Long-Short term memory recurrent neural networks (LSTM-RNNs) to perform reliable one step ahead predictions on the closing price of Greeks stocks. Their performance will be evaluated against a variety of well-established time series models in traditional statistical and technical analysis, such as moving averages (MAVG) and Auto Regressive Integrated Moving Average (ARIMA). Additionally they will be tested against the basis of feed forward neural networks (FFNN), the Multilayer Perceptron (MLP). All the above mentioned models will also be used for performing one step ahead prediction on the Euro-Dollar spot exchange rate, due to its extreme liquidity and long history of prices.Each of the available time series in this study are split into two smaller ones; the first constitutes the so called training set, which is used to estimate the parameters of each model -were necessary-, while the second constitutes the test set, which is used for model evaluation. The latter is performed in terms of the Root mean square error (RMSE) applied on the test set. The model with the lowest average RMSE, will be the one that outperforms the others. For this endeavor, as an implementation tool for constructing the LSTM-RNN, Google’s deep learning framework –known as TensorFlow- is used. The main reason for adopting this extremely complicated and with an inherently quite flat learning curve tool, is its immense scalability and in-depth parameterization and configuration abilities; compared of course to other similar higher level solutions such as Keras and Torch.From our preliminary results it becomes obvious, as it is self-evident, that none of the models achieves high accuracy in short term stock price forecasting. Noticeably better –reduced RMSE approximately by 20% on average when compared to benchmarks-, is found to be the LSTM-RNN under several restrictions only for the large capitalization commercial stocks of TITAN, OPAP, OTE, MOH, EEE and MPELA; representing almost 50% of the FTSEASE25 index capitalization. These findings are completely in line with previous studies on foreign stock exchanges, signaling a new terra incognita for the analysis of the Greek stock market which is in a shocking shortage of such inquires; that is the main contribution of this thesis. One of the many peculiarities with this task at hand, and commonly admitted by the literature to be the hardest part of every research, is the clarification of the data input feed pipeline for the TensorFlow model building stage. This process is demonstrated here methodically, not lacking the proper attention.
Μηχανές που φέρουν το δώρο της τεχνητής νοημοσύνης, αποτελούν το όνειρο των εφευρετών εδώ και αιώνες. Αυτή η φιλοδοξία αντικατοπτρίζεται ακόμα και στην μυθική εποχή του Δαίδαλου, του Ηφαίστου και της Πανδώρας. Τα τελευταία χρόνια μια κρίσιμη μάζα αλληλοσυνδεόμενων μερών, όπως η αύξηση της υπολογιστικής δύναμης και η γνωσιακή πρόοδος στην επιστήμη των δεδομένων και των αλγορίθμων, έδωσε σάρκα και οστά στον εκδημοκρατισμό της τεχνητής νοημοσύνης, διευρύνοντας της εφαρμογές της.Από αυτή την συγκυρία, πολλά και ποικίλα επιστημονικά πεδία όπως η ανίχνευση μοτίβων σε εικόνες, η μηχανική μέθηση κειμένου και η εξόρυξη δεδομένων, έχουν επωφεληθεί. Η διάχυση αυτού του φαινομένου από τα άνωθεν επιστημονικά πεδία, σε αυτό της χρηματοοικονομικής σιωπηλά αυξάνει σε ρυθμό. Οι παραδοσιακές ευρέως αποδεκτές και εμπεριστατωμένες επιστημονικές μέθοδοι πρόβλεψης χρηματοοικονομικών σειρών, σταδιακά μπολιάζονται με τις μεθόδους της μηχανικής μάθησης και της τεχνητής νοημοσύνης προκειμένου, να διευρύνουν και να ενισχύσουν το προβλεπτικό τους οπλοστάσιο.Στόχος αυτής της πτυχιακής είναι, να διεξάγει μια έρευνα αναφορικά με την ικανότητα των Μακράς Βραχείας Διάρκειας Αναδρομικών Νευρωνικών Δικτύων LSTM-RNN, προκειμένου να διαπιστωθεί εάν είναι ικανά να πραγματοποιούν αξιόπιστες προβλέψεις στην τιμή κλεισίματος των ελληνικών μετοχών μια μερά μπροστά στο μέλλον. Η απόδοσή τους θα δοκιμαστεί και θα συγκριθεί απέναντι σε μια πληθώρα, ευρέως εδραιωμένων στατιστικών μοντέλων ανάλυσης χρονολογικών σειρών και τεχνικής ανάλυσης. Αυτά, μεταξύ άλλων, περιλαμβάνουν κινητούς μέσους όρους και αυτοπαλίνδρομα σχήματα κινητών μέσων. Επιπροσθέτως θα συγκριθούν με το θεμέλιο των νευρωνικών δικτύων FFNN το MLP. Όλα τα προαναφερθέντα μοντέλα θα χρησιμοποιηθούν επίσης και για την μιας μέρας στο μέλλον πρόβλεψη, της τιμής κλεισίματος της τιμής συναλλάγματος του ευρώ-δολλαρίου εξαιτίας της ακραίας ρευστότητάς του και της μακράς ιστορικότητας των τιμών του.Κάθε χρονοσειρά που χρησιμοποιείται στην πτυχιακή χωρίζεται σε δύο μικρότερα σετ δεδομένων. Το πρώτο αποτελεί το λεγόμενο σετ εκπαίδευσης, με βάση το οποίο θα πραγματοποιηθεί η εκτίμηση των παραμέτρων του κάθε μοντέλου. Το δεύτερο αποτελεί το σετ ελέγχου, το οποίο θα αξιοποιηθεί για την διερεύνηση της αξιολόγησης των μοντέλων. Αυτή η διαδικασία πραγματοποιείται χρησιμοποιώντας την ρίζα του μέσου τετραγωνικού σφάλματος RMSE, σχετικά με τις εκτιμήσεις που παραγάγει το σέτ ελέγχου. Το μοντέλο με το μικρότερο RMSE θα είναι και εκείνο το οποίο, θα υπερτερεί έναντι των υπολοίπων. Για τους σκοπούς αυτής της προσπάθειας προκειμένου να κατασκευαστεί το LSTM-RNN, θα χρησιμοποιηθεί το πλαίσιο ανάπτυξης και εφαρμογής της μηχανικής μάθησης της Google, το οποίο είναι γνωστό με το όνομα TensorFlow. Ο θεμελιώδης λόγος για τον οποίο επιλέχθηκε αυτό το ακραία δύσκολο και εξαιρετικά δυσνόητο εργαλείο, που διακρίνεται για την αργή διαδικασία εκμάθυνσής του, είναι η μεγάλη του ικανότητα αναφορικά με την παραμετροποίηση και την επεκτασιμότητά του, συγκρινόμενο φυσικά με αλλα παρεμφερή εργαλεία όπως είναι το Keras και το Torch.Τα αποτελέσματα της πτυχιακής καταδεικνύουν εμφανώς, όπως ήταν αναμενόμενο, ότι κανένα από τα μοντέλα δεν επιτυγχάνει υψηλή ακρίβεια αναφορικά με την βραχυχρόνια πρόβλεψη της τιμής κλεισίματος των μετοχών. Αξιοσημείωτα όμως καλύτερο, με μειωμένο κατά 20% κατά μέσο όρο σε σχέση με τα μοντέλα ελέγχου, αποδεικνύεται το LSTM-RNN κάτω απο διάφορες προυποθέσεις και περιορισμούς και μόνο για τις υψηλής κεφαλαιοποίησης μετοχές των ΤΙΤΚ, ΟΠΑΠ, ΟΤΕ, ΜΟΗ, ΕΕΕ, ΜΠΕΛΑ, οι οποίες και αντικατοπτρίζουν το 50% της κεφαλαιοποίησης του γενικού δείκτη FTSEASE25 του Χρηματιστηρίου Αξιών Αθηνών. Τα ευρήματα αυτά βρίσκονται σε πλήρη ευθυγράμμιση με μελέτες σχετικές με την προβλεψιμότητα χρονοσειρών της συναλλαγματικής ισοτιμίας, σηματοδοτώντας μια νέα αχαρτογράφητη εποχή για την ανάλυση της Ελληνικής Χρηματιστηριακής αγοράς η οποία βρίσκεται σε σχετική έλλειψη τέτοιου είδους μελετών. Αυτή ακριβώς είναι και η προστιθέμενη αξία αυτής της πτυχιακής. Μεταξύ των διαφόρων ιδιαιτεροτήτων με τις οποίες η πτυχιακή αυτή ήρθε αντιμέτωπη είναι η αποδεδειγμένη, αποδεκτή και απο την διεθνή βιβλιογραφία, δυσκολία στην διασάφηση του σχήματος με βάση το οποίο, γίνεται η κατασκευή της γραμμής εισαγωγής των δεδομένων στο μοντέλο για το TensorFlow. Η διαδικασία αυτή παρουσιάζεται μεθοδικά και αναλυτικά κατά την ανάπτυξη αυτής της μελέτης.

Λέξη κλειδί :	Deep learning Long-short term memory Recurrent neural networks Stock price forecasting TensorFlow Μηχανική μάθηση Αναδρομικά νευρωνικά δίκτυα Μακράς βραχείας διάρκειας Τιμές μετοχών Κινητός μέσος Πρόβλεψη

Διαθέσιμο από :	2019-01-17 19:40:31

Ημερομηνία έκδοσης :	12/21/2018

Ημερομηνία κατάθεσης :	2019-01-17 19:40:31

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Aloupis_2018.pdf

Τύπος: application/pdf

Είσοδος