Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Οικονομικών Επιστημών / School of Economics Τμήμα Διεθνών και Ευρωπαϊκών Οικονομικών Σπουδών / Department of International and European Economic Studies Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Ensemble forecasting of financial data with deep and statistical learning

Εναλλακτικός τίτλος :	Πρόβλεψη συνόλου χρηματοοικονομικών δεδομένων με χρήση βαθιάς και στατιστικής μάθησης

Δημιουργός :	Νικολάου, Κωνσταντίνος Nikolaou, Konstantinos

Συντελεστής :	Papailias, Fotis (Επιβλέπων καθηγητής) Topaloglou, Nikolaos (Εξεταστής) Demos, Antonios (Εξεταστής) Athens University of Economics and Business, Department of International and European Economic Studies (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	46p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11013

Περίληψη :	Δεδομένων των αγωνιστικών εξελίξεων στη μηχανική μάθηση και την τεχνητή νοημοσύνη, αυτό το έγγραφο επιδιώκει να χρησιμοποιήσει τη στατιστική και τη βαθιά μάθηση σε ένα σχήμα στοίβαξης για να προβλέψει βέλτιστα τις τιμές των χρηματοοικονομικών προϊόντων. Χρησιμοποιούμε ένα σύνολο διαφορετικών μοντέλων, εμπλουτισμένων με εξωγενείς μεταβλητές που δεν είναι άλλοι από τους δείκτες τεχνικής ανάλυσης με τον υψηλότερο συντελεστή συσχέτισης Pearson. Τα αποτελέσματά μας δείχνουν τουλάχιστον συγκριτική ακρίβεια για τις μεθόδους συνόλου σε σύγκριση με τις βασικές γραμμικές μεθόδων και παρέχουν πληροφορίες σχετικά με την ικανότητα πρόβλεψης διαφορετικών κατηγοριών μοντέλων πρόβλεψης. Given racing developments in machine learning and artificial intelligence, this paper seeks to use statistical and deep learning in a stacking ensemble scheme to optimally predict prices of financial products. We use a set of different models, enriched with exogenous variables that are non other than technical analysis indicators with the highest Pearson correlation coefficient. Our results show at least comparative accuracy for ensemble methods when compared to baseline linear methods, and provide insight on the forecasting ability of different classes of predicting models.

Περίληψη :

Δεδομένων των αγωνιστικών εξελίξεων στη μηχανική μάθηση και την τεχνητή νοημοσύνη, αυτό το έγγραφο επιδιώκει να χρησιμοποιήσει τη στατιστική και τη βαθιά μάθηση σε ένα σχήμα στοίβαξης για να προβλέψει βέλτιστα τις τιμές των χρηματοοικονομικών προϊόντων. Χρησιμοποιούμε ένα σύνολο διαφορετικών μοντέλων, εμπλουτισμένων με εξωγενείς μεταβλητές που δεν είναι άλλοι από τους δείκτες τεχνικής ανάλυσης με τον υψηλότερο συντελεστή συσχέτισης Pearson. Τα αποτελέσματά μας δείχνουν τουλάχιστον συγκριτική ακρίβεια για τις μεθόδους συνόλου σε σύγκριση με τις βασικές γραμμικές μεθόδων και παρέχουν πληροφορίες σχετικά με την ικανότητα πρόβλεψης διαφορετικών κατηγοριών μοντέλων πρόβλεψης.
Given racing developments in machine learning and artificial intelligence, this paper seeks to use statistical and deep learning in a stacking ensemble scheme to optimally predict prices of financial products. We use a set of different models, enriched with exogenous variables that are non other than technical analysis indicators with the highest Pearson correlation coefficient. Our results show at least comparative accuracy for ensemble methods when compared to baseline linear methods, and provide insight on the forecasting ability of different classes of predicting models.

Λέξη κλειδί :	Πρόβλεψη συνόλου Στοίβαξη Βαθιά μάθηση Μηχανική μάθηση Χρηματοοικονομικά Ensemble forecasting Stacking Deep learning Machine learning (ML) Finance

Διαθέσιμο από :	2024-02-13 10:39:47

Ημερομηνία έκδοσης :	30-10-2023

Ημερομηνία κατάθεσης :	2024-02-13 10:39:47

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Nikolaou_2023.pdf

Τύπος: application/pdf

Είσοδος