PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Υβριδικό μοντέλο πρόβλεψης LSTM-ARIMA για τις τιμές του πετρελαίου Brent
Alternative Title :Hybrid forecasting model LSTM-ARIMA for the Brent oil
Creator :Κεχαγιάς, Βασίλειος
Contributor :Πετρής, Παναγιώτης (Επιβλέπων καθηγητής)
Δότσης, Γεώργιος (Εξεταστής)
Βασσάλος, Παρασκευάς (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής (Degree granting institution)
Type :Text
Extent :101σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10472
Abstract :Στην παρούσα διπλωματική εργασία ασχολούμαστε με την κατασκευή υβριδικών αλγορίθμων με σκοπό την πρόβλεψη των ημερήσιων τιμών του πετρελαίου Brent για την περίοδο από το 1987 μέχρι και το 2023. Ο τρόπος δημιουργίας των υβριδικών μοντέλων γίνεται συνδυάζοντας τα στατιστικά μοντέλα με τα μοντέλα των νευρωνικών δικτύων, μετά από δοκιμές συνδυασμών ανάμεσα σε αυτές τις δύο μεθόδους αλλά και την κατασκευή δύο διαφορετικών αρχιτεκτονικών καταλήξαμε στο συμπέρασμα ότι ο συνδυασμός LSTM – ARIMA φαίνεται να είναι το αποτελεσματικότερο μοντέλο που θα παρουσιάσουμε στην παρούσα έρευνα.Το συγκριμένο μοντέλο κατάφερε σε τέσσερις δείκτες σφαλμάτων να δώσει τα χαμηλότερα σφάλματα συγκριτικά με όλα τα μοντέλα τα οποία παρουσιάζουμε στην παρούσα εργασία ενώ παράλληλα παρουσιάζει ικανότητα γενίκευσης και σε διαφορετικό σύνολο δεδομένων. Τέλος, συγκριτικά με όλα τα μοντέλα που θα παρουσιάσουμε κατάφερε να εξάγει ένα χαμηλότερο σφάλμα κατά μέσο όρο στο RMSE κατά 33%, για το δείκτη MSE 54.66%, για το MAE κατά 30.34% και τέλος για το MAPE κατά 30.95%.
In this master thesis we deal with the construction of hybrid algorithms with the purpose of forecasting the daily prices of Brent oil for the period from 1987 to 2023.The way hybrid models are created is done by combining the statistical models with the neural network models, after testing combinations between in these two categories but also the construction of two different architectures we concluded that the LSTM – ARIMA combination seems to be the most effective model which we will present in this research.This model managed in four error indicators to give the lowest errors compared to all the models that we present in this research, while at the same time it shows the ability to generalize in a different data set. Finally, compared to all the models we will present, it managed to extract a lower error on average in the RMSE by 33%, for the MSE index by 54.66%, for the MAE by 30.34% and finally for the MAPE by 30.95%.
Subject :Στατιστικά μοντέλα
Νευρωνικά δίκτυα
Υβριδικό μοντέλο πρόβλεψης
Statistical models
Neural Networks (NN)
Hybrid forecasting model
Long Short-Term Memory (LSTM)
ARIMA
Date Available :2023-04-26 15:10:10
Date Issued :28-02-2023
Date Submitted :2023-04-26 15:10:10
Access Rights :Free access
Licence :

File: Kechagias_2023.pdf

Type: application/pdf