Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων / Department of Business Administration Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	On the application of machine learning techniques for the stock price prediction in international markets

Εναλλακτικός τίτλος :	Εφαρμογή μεθόδων μηχανικής μάθησης για την πρόβλεψη τιμών των μετοχών στις διεθνείς χρηματιστηριακές αγορές

Δημιουργός :	Tantaroudas, Nikolaos-Dimitrios Τανταρούδας, Νικόλαος-Δημήτριος

Συντελεστής :	Spyrou, Spyros (Επιβλέπων καθηγητής) Drakos, Konstantinos (Εξεταστής) Kasimatis, Konstantinos (Εξεταστής) Athens University of Economics and Business, Department of Business Administration (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	111p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9432

Περίληψη :	A systematic approach to the prediction of stock prices and the application of different prediction model strategies based on modern machine learning techniques as well as other conventionalmethods of arbitrary fidelity is investigated. All the above prediction strategies are implementedinside a web application ASPAX (Amazing Stock Prediction Assistant-X) enabling for fast realtime calculations and stock price predictions. The web application enables real-time communication via a modern API interface to get the necessary data of each stock option which then isused to run the various prediction algorithms over a pre-specified time-frame. The predictionresults are plotted real-time offering this way a simple to use but powerful preliminary decisiontool for the corresponding investor/s. The investigation continues with a variety of predictionmethods based on linear regression, clustering, support vector machine, statistical analysis aswell as the application of decision trees for the prediction of stock prices. Finally, the developedmachine learning algorithms are tested and compared to one another in order to check whetherand to what extent it would have been possible to predict the big financial crisis originated inthe USA Stock Market on February 2020 due to the coronavirus pandemic. Η Παρούσα μελέτη εφαρμόζει μία συστηματική προσέγγιση στην πρόβλεψη των τιμών των μετοχών και την εφαρμογή διαφορετικών στρατηγικών μοντέλων πρόβλεψης που βασίζονται σε σύγχρονες τεχνικές μηχανικής μάθησης καθώς και σε άλλες συμβατικές μεθόδους. Όλες οι παραπάνω στρατηγικές πρόβλεψης εφαρμόζονταιμέσα σε μια διαδικτυακή εφαρμογή ASPAX (Amazing Stock Prediction Assistant-X) που επιτρέπει γρήγορους υπολογισμούς σε πραγματικό χρόνο και προβλέψεις τιμών μετοχών. Τα αποτελέσματα σχεδιάζονται σε πραγματικό χρόνο. Η έρευνα συνεχίζεται με ποικίλες προβλέψειςμέθοδοι που βασίζονται σε γραμμική παλινδρόμηση, ομαδοποίηση, μηχανή διανυσμάτων υποστήριξης και στατιστική ανάλυση.

Περίληψη :

A systematic approach to the prediction of stock prices and the application of different prediction model strategies based on modern machine learning techniques as well as other conventionalmethods of arbitrary fidelity is investigated. All the above prediction strategies are implementedinside a web application ASPAX (Amazing Stock Prediction Assistant-X) enabling for fast realtime calculations and stock price predictions. The web application enables real-time communication via a modern API interface to get the necessary data of each stock option which then isused to run the various prediction algorithms over a pre-specified time-frame. The predictionresults are plotted real-time offering this way a simple to use but powerful preliminary decisiontool for the corresponding investor/s. The investigation continues with a variety of predictionmethods based on linear regression, clustering, support vector machine, statistical analysis aswell as the application of decision trees for the prediction of stock prices. Finally, the developedmachine learning algorithms are tested and compared to one another in order to check whetherand to what extent it would have been possible to predict the big financial crisis originated inthe USA Stock Market on February 2020 due to the coronavirus pandemic.
Η Παρούσα μελέτη εφαρμόζει μία συστηματική προσέγγιση στην πρόβλεψη των τιμών των μετοχών και την εφαρμογή διαφορετικών στρατηγικών μοντέλων πρόβλεψης που βασίζονται σε σύγχρονες τεχνικές μηχανικής μάθησης καθώς και σε άλλες συμβατικές μεθόδους. Όλες οι παραπάνω στρατηγικές πρόβλεψης εφαρμόζονταιμέσα σε μια διαδικτυακή εφαρμογή ASPAX (Amazing Stock Prediction Assistant-X) που επιτρέπει γρήγορους υπολογισμούς σε πραγματικό χρόνο και προβλέψεις τιμών μετοχών. Τα αποτελέσματα σχεδιάζονται σε πραγματικό χρόνο. Η έρευνα συνεχίζεται με ποικίλες προβλέψειςμέθοδοι που βασίζονται σε γραμμική παλινδρόμηση, ομαδοποίηση, μηχανή διανυσμάτων υποστήριξης και στατιστική ανάλυση.

Λέξη κλειδί :	Τεχνητή νοημοσύνη Μηχανική μάθηση Αλγόριθμοι δομές δεδομένων Μετοχές πρόβλεψη Stock price prediction Artificial intelligence Deep learning stock prediction Sentiment analysis

Διαθέσιμο από :	2022-04-18 11:21:33

Ημερομηνία έκδοσης :	12/01/2021

Ημερομηνία κατάθεσης :	2022-04-18 11:21:33

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Tantaroudas_2021.pdf

Τύπος: application/pdf

Είσοδος