{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2873380"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2873380","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αλγόριθμος προβλέψεων τύπου Convolutional Neural Network με εφαρμογή στην αγορά συναλλαγμάτων(FOREX)","abstract":"Στην εργασία αυτή παρουσιάζεται ένας αλγόριθμος τύπου Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network) με σκοπό την πρόβλεψη τιμών για την αγορά συναλλαγμάτων FOREX στην ισοτιμία ευρώ-δολάριο. Αρχικά παρουσιάζεται ο τρόπος μορφοποίησης των δεδομένων και ο τρόπος εισαγωγής τους στην βάση δεδομένων . Η διαδικασία της μορφοποίησης γίνεται διότι ο όγκος των δεδομένων είναι πολύ μεγάλος μιας και μπορεί σε κάθε δευτερόλεπτο να γίνουν πολλές συναλλαγές και άρα να αλλάξει αρκετές φορές η ισοτιμία στην διάρκεια αυτή. Κατά δεύτερον, τα δεδομένα μας παρουσιάζουν μεγάλη διακύμανση και άρα πρέπει να μορφοποιηθούν ώστε να πετύχουμε καλύτερα αποτελέσματα στις προβλέψεις μας. Στην συνέχεια παρουσιάζεται η βασική δομή του Νευρωνικού Δικτύου με έμφαση στα επιμέρους κομμάτια επεξεργασίας των δεδομένων αλλά και στο κύριο μέρος του αλγορίθμου. Στο κεφάλαιο 5.3 παρουσιάζονται τα αποτελέσματα της βασικής έκδοσης του αλγορίθμου αλλά και η επίδραση της βασικής τεχνικής βελτιστοποίησης, δηλαδή του scaling των δεδομένων. Στο κεφάλαιο 7 γίνεται βελτιστοποίηση των παραμέτρων του αλγορίθμου όπως οι εποχές, το batch size, το training size κλπ.","abstract_html":"Στην εργασία αυτή παρουσιάζεται ένας αλγόριθμος τύπου Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network) με σκοπό την πρόβλεψη τιμών για την αγορά συναλλαγμάτων FOREX στην ισοτιμία ευρώ-δολάριο. Αρχικά παρουσιάζεται ο τρόπος μορφοποίησης των δεδομένων και ο τρόπος εισαγωγής τους στην βάση δεδομένων . Η διαδικασία της μορφοποίησης γίνεται διότι ο όγκος των δεδομένων είναι πολύ μεγάλος μιας και μπορεί σε κάθε δευτερόλεπτο να γίνουν πολλές συναλλαγές και άρα να αλλάξει αρκετές φορές η ισοτιμία στην διάρκεια αυτή. Κατά δεύτερον, τα δεδομένα μας παρουσιάζουν μεγάλη διακύμανση και άρα πρέπει να μορφοποιηθούν ώστε να πετύχουμε καλύτερα αποτελέσματα στις προβλέψεις μας. Στην συνέχεια παρουσιάζεται η βασική δομή του Νευρωνικού Δικτύου με έμφαση στα επιμέρους κομμάτια επεξεργασίας των δεδομένων αλλά και στο κύριο μέρος του αλγορίθμου. Στο κεφάλαιο 5.3 παρουσιάζονται τα αποτελέσματα της βασικής έκδοσης του αλγορίθμου αλλά και η επίδραση της βασικής τεχνικής βελτιστοποίησης, δηλαδή του scaling των δεδομένων. Στο κεφάλαιο 7 γίνεται βελτιστοποίηση των παραμέτρων του αλγορίθμου όπως οι εποχές, το batch size, το training size κλπ.","abstract_has_math":false,"creators":["Πετρόπουλος Δημήτριος","Petropoulos Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:35:11Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2873380"],"render_values":[{"text":"uoadl:2873380","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2873380","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2873380","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2873380","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πετρόπουλος Δημήτριος","Petropoulos Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2873380","https://pergamos.lib.uoa.gr/uoa/dl/object/2873380"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην εργασία αυτή παρουσιάζεται ένας αλγόριθμος τύπου Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network) με σκοπό την πρόβλεψη τιμών για την αγορά συναλλαγμάτων FOREX στην ισοτιμία ευρώ-δολάριο. Αρχικά παρουσιάζεται ο τρόπος μορφοποίησης των δεδομένων και ο τρόπος εισαγωγής τους στην βάση δεδομένων . Η διαδικασία της μορφοποίησης γίνεται διότι ο όγκος των δεδομένων είναι πολύ μεγάλος μιας και μπορεί σε κάθε δευτερόλεπτο να γίνουν πολλές συναλλαγές και άρα να αλλάξει αρκετές φορές η ισοτιμία στην διάρκεια αυτή. Κατά δεύτερον, τα δεδομένα μας παρουσιάζουν μεγάλη διακύμανση και άρα πρέπει να μορφοποιηθούν ώστε να πετύχουμε καλύτερα αποτελέσματα στις προβλέψεις μας. Στην συνέχεια παρουσιάζεται η βασική δομή του Νευρωνικού Δικτύου με έμφαση στα επιμέρους κομμάτια επεξεργασίας των δεδομένων αλλά και στο κύριο μέρος του αλγορίθμου. Στο κεφάλαιο 5.3 παρουσιάζονται τα αποτελέσματα της βασικής έκδοσης του αλγορίθμου αλλά και η επίδραση της βασικής τεχνικής βελτιστοποίησης, δηλαδή του scaling των δεδομένων. Στο κεφάλαιο 7 γίνεται βελτιστοποίηση των παραμέτρων του αλγορίθμου όπως οι εποχές, το batch size, το training size κλπ.","In this thesis a Convolutional Neural Network is presented with implementation to the Euro-U.S.Dollar currency market. At first, data have to be formatted because of their big volume since every single second many transactions may occur. Our goal is to reduce the data size and the also reduce the data variance. After data formatting, the basic structure of the Neural Network is presented and the algorithm is being optimized by using data scaling which is our main optimization technique. The final part the algorithms’ parameters such as batch size, epoch and batch size, are being optimized and the optimization results are being presented."]},{"key":"dc:title","label":"Title","values":["Αλγόριθμος προβλέψεων τύπου Convolutional Neural Network με εφαρμογή στην αγορά συναλλαγμάτων(FOREX)"]}]}],"canonical_facts":{"dc:creator":["Πετρόπουλος Δημήτριος","Petropoulos Dimitrios"],"dc:date":["2019"],"dc:description":["Στην εργασία αυτή παρουσιάζεται ένας αλγόριθμος τύπου Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network) με σκοπό την πρόβλεψη τιμών για την αγορά συναλλαγμάτων FOREX στην ισοτιμία ευρώ-δολάριο. Αρχικά παρουσιάζεται ο τρόπος μορφοποίησης των δεδομένων και ο τρόπος εισαγωγής τους στην βάση δεδομένων . Η διαδικασία της μορφοποίησης γίνεται διότι ο όγκος των δεδομένων είναι πολύ μεγάλος μιας και μπορεί σε κάθε δευτερόλεπτο να γίνουν πολλές συναλλαγές και άρα να αλλάξει αρκετές φορές η ισοτιμία στην διάρκεια αυτή. Κατά δεύτερον, τα δεδομένα μας παρουσιάζουν μεγάλη διακύμανση και άρα πρέπει να μορφοποιηθούν ώστε να πετύχουμε καλύτερα αποτελέσματα στις προβλέψεις μας. Στην συνέχεια παρουσιάζεται η βασική δομή του Νευρωνικού Δικτύου με έμφαση στα επιμέρους κομμάτια επεξεργασίας των δεδομένων αλλά και στο κύριο μέρος του αλγορίθμου. Στο κεφάλαιο 5.3 παρουσιάζονται τα αποτελέσματα της βασικής έκδοσης του αλγορίθμου αλλά και η επίδραση της βασικής τεχνικής βελτιστοποίησης, δηλαδή του scaling των δεδομένων. Στο κεφάλαιο 7 γίνεται βελτιστοποίηση των παραμέτρων του αλγορίθμου όπως οι εποχές, το batch size, το training size κλπ.","In this thesis a Convolutional Neural Network is presented with implementation to the Euro-U.S.Dollar currency market. At first, data have to be formatted because of their big volume since every single second many transactions may occur. Our goal is to reduce the data size and the also reduce the data variance. After data formatting, the basic structure of the Neural Network is presented and the algorithm is being optimized by using data scaling which is our main optimization technique. The final part the algorithms’ parameters such as batch size, epoch and batch size, are being optimized and the optimization results are being presented."],"dc:identifier":["uoadl:2873380","https://pergamos.lib.uoa.gr/uoa/dl/object/2873380"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Αλγόριθμος προβλέψεων τύπου Convolutional Neural Network με εφαρμογή στην αγορά συναλλαγμάτων(FOREX)"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:35:11Z"}