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

Search

Browse

My Space

Μεταβολή της τιμής πολύτιμων και βιομηχανικών μετάλλων και η συσχέτισή τους με άλλους δείκτες

Kapsalis Ioannis-Anargyros

Simple record


URIhttp://purl.tuc.gr/dl/dias/1BD29AA4-141C-46F9-953F-C2A7AFD5E1A4-
Identifierhttps://doi.org/10.26233/heallink.tuc.96743-
Languageel-
Extent131 σελίδες el
Extent6 megabytesen
ExtentΑ4 (210x297 mm)el
TitleΜεταβολή της τιμής πολύτιμων και βιομηχανικών μετάλλων και η συσχέτισή τους με άλλους δείκτεςel
CreatorKapsalis Ioannis-Anargyrosen
CreatorΚαψαλης Ιωαννης-Αναργυροςel
Contributor [Thesis Supervisor]Varouchakis Emmanouilen
Contributor [Thesis Supervisor]Βαρουχακης Εμμανουηλel
Contributor [Committee Member]Galetakis Michailen
Contributor [Committee Member]Γαλετακης Μιχαηλel
Contributor [Committee Member]Giotis Andreasen
Contributor [Committee Member]Γιωτης Ανδρεαςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Mineral Resources Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Ορυκτών Πόρωνel
DescriptionΜε τον όρο χρονοσειρά (time series) ονομάζεται μια αυστηρά ιεραρχημένη ως προς το χρόνο ακολουθία παρατηρήσεων που λαμβάνονται σε τακτά ίσα χρονικά διαστήματα. Μια χρονοσειρά θα μπορούσε να θεωρηθεί ότι εκφράζει τη διαχρονική εξέλιξη μιας μεταβλητής κατά τη διάρκεια ίσων διαδοχικών χρονικών περιόδων σε αντίθεση με τα διαστρωματικά δεδομένα (cross - section data) που αφορούν τη συμπεριφορά της ίδιας μεταβλητής σε μία δεδομένη χρονική περίοδο. (Πανεπιστήμιο Αιγαίου) Η Ανάλυση Χρονοσειρών στοχεύει στη διερεύνηση του μηχανισμού δημιουργίας των δεδομένων (ερμηνεία της συμπεριφοράς και της φύσης του εκάστοτε φαινομένου) και στην ανίχνευση επαναλαμβανόμενων προτύπων της χρονοσειράς που οδηγούν σε χρήσιμα μοντέλα πρόβλεψης. Για την επίτευξη των στόχων αυτών, χρησιμοποιούνται θεμελιώδεις αλλά και πιο σύγχρονες μαθηματικές μέθοδοι, αξιοποιώντας δεδομένα ακολουθίας που συλλέγονται διαχρονικά. Σε πολλούς επιστημονικούς κλάδους συχνά χρειάζεται να παρακολουθείτε η εξέλιξη ορισμένων φαινομένων στο χρόνο και να γίνονται προβλέψεις για μελλοντικές τιμές τους που στηρίζονται σε διαθέσιμες παρατηρήσεις. Μία σειρά από παρατηρήσεις ενός φαινομένου οι οποίες γίνονται σε συγκεκριμένες ισαπέχουσες χρονικές στιγμές αποτελεί μία χρονοσειρά. Επίσης θα χρησιμοποιηθούν δυο συγκεκριμένα μοντέλα για την πρόβλεψη των τιμών των παραπάνω μετάλλων και τη σύγκρισή τους με τις πραγματικές τιμές. Τα μοντέλα αυτά είναι το αυτοπαλινδρώμενο μοντέλο ΑR(p) και το μοντέλο κινούμενου μέσου MA(q).el
Content SummaryΗ παρούσα διπλωματική εργασία εκπονήθηκε κατά την διάρκεια του ακαδημαϊκού έτους 2021-2022. Σκοπός της διπλωματικής είναι η διερεύνηση των παραγόντων που επιδρούν στην απόδοση των τιμών των πολύτιμων και βιομηχανικών μετάλλων και η συσχέτισή τους με άλλους δείκτες. Η ανάλυση θα βασιστεί σε στατιστικές μεθόδους ώστε να εξεταστούν τυχόν συσχετίσεις και κατά πόσο ανεξάρτητες μεταβλητές μπορούν να ερμηνεύσουν την μεταβλητότητα στην απόδοση των τιμών των πολύτιμων και βασικών βιομηχανικών μετάλλων. Τα παρακάτω κεφάλαια θα επικεντρωθούν στο διοξείδιο του άνθρακα, στα μέταλλα γενικά, στην ιστορία τους και στις συσχετίσεις μεταξύ τους, κυρίως στον Ελλαδικό χώρο. Θα συζητήσουμε τη μεταβλητότητα των τιμών των μετάλλων και θα εστιάσουμε στις πραγματικές τιμές των μετάλλων με δεδομένα από το investing.com, με σκοπό την χρονική ανάλυση μεταβολών και προβλέψεων. Γίνεται ενδελεχής αναφορά στο θεωρητικό κομμάτι με σκοπό την κατανόηση βασικών εννοιών και την κατηγοριοποίηση των χρονοσειρών για περαιτέρω ανάλυσή τους. Θα χρησιμοποιηθεί το Tsaf (Time Series Analysis and Forecast), που μας δίνει τη δυνατότητα να αναλύσουμε χρονοσειρές η γλώσσα προγραμματισμού Matlab. Συγκεκριμένα θα αξιοποιήσουμε τα μοντέλα πρόβλεψης 1) μοντέλο αυτοπαλινδρόμησης ΑR(p) (autoregressive model) 2) μοντέλο κινούμενου μέσου ΜΑ(q) (moving average model) Θα αναφερθούμε στα μέταλλα: χαλκός , μόλυβδος , νικέλιο , κασσίτερος , ψευδάργυρος , αλουμίνιο καθώς και στη σχέση μεταξύ κάποιων από αυτών με το διοξείδιο του άνθρακα. Θα εισαχθούν δεδομένα από excel όπου θα φαίνονται οι συσχετίσεις κάποιων μετάλλων μεταξύ τους αλλά και με το διοξείδιο το άνθρακα καθώς και γραφικές παραστάσεις που θα δείχνουν τη συσχέτιση μεταξύ των πραγματικών τιμών με τις τιμές που προβλέφθηκαν για τα παραπάνω μοντέλα. Λέξεις κλειδιά Μέταλλα, Ελλάδα, Χρονοσειρές, Πρόβλεψη και ανάλυση χρονοσειρών, μοντέλο αυτοπαλινδρόμησης ΑR(p), μοντέλο κινούμενου μέσου MA(d), Μερική αυτοσυσχέτιση, λευκός θόρυβος, Τάση, εποχικότητα, Στασιμότητα, υστερήσεις, αυτοσυσχέτιση, Pearson.el
Content SummaryThis diploma thesis was prepared during the academic year 2021-2022. The purpose of the thesis is to investigate the factors that affect the performance of the prices of precious and industrial metals and their correlation with economic and environmental indicators. The analysis will be based on statistical methods to examine any correlations and whether independent variables can interpret the volatility in the price performance of precious and basic industrial metals. The following chapters will focus on carbon dioxide, metals in general, their history, and the correlations between them, mainly in Greece. We will discuss volatility of metal prices and focus on the real values of metals with data from the investing.com, for the purpose of temporal analysis of changes and predictions. A thorough reference is made to the theoretical part in order to understand basic concepts and categorize the time series for their further analysis. Tsaf (Time Series Analysis and Forecast) will be used, which enables us to analyze time series and Matlab toolbox. Specifically, we will utilize the forecasting models. 1) Autoregressive model AR(p) 2) moving average model MA(q) We will refer to the metals that interest us: copper, lead, nickel, tin, zinc, aluminum as well as the relationship between some of them with carbon dioxide. Data will be imported from excel showing the percentage of correlations of some metals with each other but also with carbon dioxide as well as figures that will show the correlation between the real values with the values predicted for the above models. Keywords Metals, Greece, Time series, Prediction and analysis of time series, Auto selfregression model AR(p), model of moving average MA(d), Partial autocorrelation, white noise, Trend, seasonality, Stationarity, Lags, autocorrelation, Pearson.en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2023-07-28-
Date of Publication2023-
SubjectΜέταλλα el
SubjectΧρονοσειρές el
SubjectΠρόβλεψη και ανάλυση χρονοσειρών el
SubjectΜοντέλο αυτοπαλινδρόμησης AR(p)el
SubjectΜοντέλο κινούμενου μέσου όρου MA(q)el
SubjectΜερική αυτοσυσχέτισηel
SubjectΛευκός θόρυβος el
SubjectΑυτοσυσχέτιση el
SubjectΥστερήσεις el
SubjectΤάσηel
SubjectΕποχικότηταel
SubjectΣτασιμότητα el
Bibliographic CitationΙωάννης-Ανάργυρος Καψάλης, "Μεταβολή της τιμής πολύτιμων και βιομηχανικών μετάλλων και η συσχέτισή τους με άλλους δείκτες", Διπλωματική Εργασία, Σχολή Μηχανικών Ορυκτών Πόρων, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023el

Available Files

Services

Statistics