Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/70300711-F354-4B42-A1C9-8959A19DDB36 | ||
| Έτος | 2019 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Αργύρης Μούλιος, "Πρόβλεψη μετοχών σε πραγματικό χρόνο", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019 https://doi.org/10.26233/heallink.tuc.81593 | ||
| Εμφανίζεται στις Συλλογές |
Με 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.
Copyright © DIAS 2013
