Η παρούσα διπλωματική εργασία πραγματεύεται το ζήτημα των χρηματοοικονομικών
προβλέψεων και εισάγει μια πρακτική εφαρμογή τους με τη χρήση των νέων τεχνολογιών
και πιο συγκεκριμένα με την γλώσσα προγραμματισμού Python πάνω σε μεγάλα
δεδομένα. Το ζήτημα των προβλέψεων είναι ένα ενδιαφέρον αλλά και πολύπλοκο θέμα
μελέτης εφόσον εμπλέκει διάφορους τομείς όπως αυτός της Στατιστικής, των
Χρηματοοικονομικών και της τεχνολογίας.
Η εργασία δομείται πάνω σε 3 ενότητες. Στην πρώτη αναλύονται οι χρηματοοικονομικές
αγορές ως προς τη γραμμικότητα ή μη αλλά και οι διάφοροι τύποι κινδύνου που
εμπεριέχουν. Στη δεύτερη ενότητα παρουσιάζονται οι διάφορες μέθοδοι προβλέψεων των
χρηματιστηριακών αγορών μετά από μια σύντομη εισαγωγή στις χρονοσειρές και
προβλέψεις. Περιλαμβάνει επίσης τα διάφορα πιθανά σφάλματα κατά την διαδικασία των
προβλέψεων. Η τελευταία ενότητα πραγματεύεται μια ανασκόπηση των τεχνολογικών
επιτευγμάτων πάνω στην θεωρία των προβλέψεων. Περιλαμβάνει επίσης την υλοποίηση
ενός προβλεπτικού συστήματος καθώς και την περιγραφή των τεχνολογιών που
χρησιμοποιήθηκαν.
This Thesis discusses the issue of financial forecasts and introduces a practical application
using new technologies and more specifically Python programming language on large data.
The issue of forecasts is an interesting but complex subject of study since it involves a
number of areas such as Statistics, Finance and Technology.
The work is structured on 3 different modules. In the first one, the financial markets are
analyzed in terms of linearity or not, and the different types of stock market risks are
introduced. The second section presents the various stock market forecasting methods after
a brief introduction to time series and forecasts. It also includes the various possible errors
in the forecasting process. The last section discusses the state of art of technological
achievements on predictive theory. It also includes the implementation of a predictive
system and a description of the technologies used.
Except where otherwise noted, this item's license is described as :
