Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Real time stock forecasting

Moulios Argyris

Simple record


URIhttp://purl.tuc.gr/dl/dias/70300711-F354-4B42-A1C9-8959A19DDB36-
Identifierhttps://doi.org/10.26233/heallink.tuc.81593-
Languageel-
Extent60 σελίδεςel
TitleΠρόβλεψη μετοχών σε πραγματικό χρόνοel
TitleReal time stock forecastingen
CreatorMoulios Argyrisen
CreatorΜουλιος Αργυρηςel
Contributor [Thesis Supervisor]Deligiannakis Antoniosen
Contributor [Thesis Supervisor]Δεληγιαννακης Αντωνιοςel
Contributor [Committee Member]Garofalakis Minosen
Contributor [Committee Member]Γαροφαλακης Μινωςel
Contributor [Committee Member]Chalkiadakis Georgiosen
Contributor [Committee Member]Χαλκιαδακης Γεωργιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content Summary“Big Data analytics” is the method by which we look at big data to reveal hidden patterns, incomprehensible relationships, and other important data that can be used to solve decision-making problems. In recent years there has been an increasing interest in big data due to their rapid growth and since it covers different application domains. An important area of Big Data application is in the financial system and more specifically in the field of stock prediction. In this case, the data streams can be massive and continuous. Many times in stock forecasting, it is crucial the data to be processed and draw conclusions in real-time in order to end up with useful forecasts which can provide us with in time solutions in decision-making problems. The aim of this diploma thesis is to identify time-delayed correlated pairs among thousands of shares, in a real-time and distributed way, in order to extract information that will be used in their prognosis. More specifically, we are interested in extracting information about the course of shares that affects the course of others, the time lag and the correlation degree in this phenomenon. To achieve this goal, it is critical to ensure the scalability of the techniques we are about to use, in order to maintain a reasonable time for the results outputs, despite the increasing volume of incoming data. Therefore, we implemented the algorithm covering locality sensitive hashing (CLSH) without false negatives, on top of the distributed system Apache Storm, which we will analyze and present as well as the experimental results of this study.en
Content SummaryΜε τον όρο “Big Data analytics” αναφερόμαστε στη μέθοδο κατά την οποία μελετούμε μεγάλα δεδομένα (Big Data) με σκοπό την εύρεση και ανάλυση κρυφών μοτίβων, ακατανόητων σχέσεων και άλλων σημαντικών δεδομένων τα οποία χρησιμοποιούνται για την επίλυση προβλημάτων που απαιτούν λήψεις αποφάσεων. Τα τελευταία χρόνια έχει εκδηλωθεί ένα αυξανόμενο ενδιαφέρον για τα μεγάλα δεδομένα εξαιτίας της ραγδαίας ανάπτυξης τους και λόγω του ότι καλύπτουν διάφορους τομείς εφαρμογών. Ένας σημαντικός τομέας εφαρμογής των Big Data είναι στο χρηματοοικονομικό σύστημα και πιο συγκεκριμένα στην προσπάθεια της πρόγνωσης μετοχών. Στη συγκεκριμένη περίπτωση η ροή των δεδομένων μπορεί να είναι εκτεταμένη και διαρκής. Πολλές φορές κατά την πρόγνωση μετοχών είναι επιτακτική η ανάγκη για επεξεργασία των δεδομένων και εξαγωγή συμπερασμάτων σε πραγματικό χρόνο ώστε οι προβλέψεις να είναι χρήσιμες, παρέχοντας τη δυνατότητα έγκαιρης λήψης αποφάσεων. Στόχος αυτής της διπλωματικής εργασίας είναι ο εντοπισμός χρόνο-καθυστερημένων συσχετίσεων ζευγών μεταξύ χιλιάδων μετοχών, σε πραγματικό χρόνο και κατανεμημένα, ώστε να εξάγουμε πληροφορίες οι οποίες θα χρησιμοποιηθούν στην πρόγνωση αυτών. Πιο συγκεκριμένα ενδιαφερόμαστε για την εξαγωγή πληροφοριών σχετικά με την πορεία μετοχών η οποία επηρεάζει την πορεία άλλων, τη χρονική καθυστέρηση καθώς και το βαθμό συσχέτισης αυτού του φαινομένου. Για την επίτευξη του άνωθεν στόχου, κρίσιμης σημασίας είναι η κλιμακωσιμότητα των τεχνικών που θα χρησιμοποιήσουμε ώστε να είναι εφικτή η διατήρηση μιας λογικής χρονικής απόδοσης ως προς την εξαγωγή αποτελεσμάτων, παρά την αύξηση του όγκου των εισερχόμενων δεδομένων. Για το λόγο αυτό υιοθετήσαμε και εφαρμόσαμε τον αλγόριθμο covering locality sensitive hashing (CLSH) χωρίς false negatives, πάνω στο κατανεμημένο σύστημα Apache Storm, τον οποίο θα αναλύσουμε και θα παρουσιάσουμε καθώς και τα πειραματικά αποτελέσματα που τελικά προέκυψαν σε αυτή τη μελέτη. el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by-nc/4.0/en
Date of Item2019-04-22-
Date of Publication2019-
SubjectCovering locality sensitive hashingen
SubjectΠρόβλεψη μετοχώνel
SubjectStock forecastingen
SubjectReal time stream processingen
SubjectApache stormen
Bibliographic CitationΑργύρης Μούλιος, "Πρόβλεψη μετοχών σε πραγματικό χρόνο", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el
Bibliographic CitationArgyris Moulios, "Real time stock forecasting", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en

Available Files

Services

Statistics