Πρόβλεψη ισοτιμιών συναλλάγματος με το συνδυασμό Ασαφούς Λογικής και Νευρωνικών Δικτύων

Forecasting Exchange Rates with Fuzzy Logic and Neural Networks (Αγγλική)

  1. Bachelor’s thesis
  2. ΚΟΥΛΟΥΡΗΣ, ΒΑΣΙΛΕΙΟΣ
  3. Πληροφορική (ΠΛΗ)
  4. 31 Ιουλίου 2017 [2017-07-31]
  5. Ελληνικά
  6. 83
  7. ΓΕΩΡΓΟΠΟΥΛΟΣ, ΕΥΣΤΡΑΤΙΟΣ
  8. Τεχνητά νευρωνικά δίκτυα, Προσαρμοστικά νευρο-ασαφή συστήματα εξαγωγής συμπερασμάτων (ANFIS), Ασαφής εξαγωγή συμπερασμάτων τύπου Sugeno, χρονοσειρά συναλλάγματος
  9. 7
  10. 25
  11. εικόνες
    • H παρούσα πτυχιακή εργασία πραγματεύεται το πρόβλημα πρόβλεψης της ισοτιμίας τιμών χρόνο-σειρών συναλλάγματος. H συναλλαγματική ισοτιμία ουσιαστικά είναι μια χρόνο-σειρά που κάθε σημείο της αποτελεί την τιμή πώλησης ενός νομίσματος σε σχέση με κάποιο άλλο. Έτσι το πρόβλημα μεταβαίνει σε πρόβλεψη χρόνο-σειρών. Υπάρχουν αρκετές μέθοδοι που οδηγούν στην πρόβλεψη χρόνο-σειρών. Τέτοιες μέθοδοι οδηγούν στην δημιουργία σειράς από μοντέλα που στην περίπτωση μας συνήθως είναι μη γραμμικά. Στόχος μας είναι η δημιουργία ενός τέτοιου μοντέλου με χρήση των νευρωνικών δικτύων αλλά και της ασαφούς λογικής. Στην πτυχιακή εργασία προτείνουμε την αντιμετώπιση του προβλήματος της πρόβλεψης μελλοντικών τιμών χρονοσειρών συναλλάγματος με την χρήση συνδυασμού νευρωνικών δικτύων και ασαφούς λογικής. Συγκεκριμένα μέσα από την μελέτη των αντίστοιχων προσπαθειών για αντιμετώπιση του προβλήματος από παλαιότερα άρθρα προτείνουμε ένα μοντέλο προσαρμοστικού δικτύου εμπρόσθιας τροφοδότησης (adaptive neuro-fuzzy inference system) τύπου ANFIS μια υβριδική τεχνική η οποία ενσωματώνει το πλεονέκτημα της ικανότητας εκμάθησης ενός τεχνητού νευρωνικού δικτύου και της χρήσης ενός συνόλου από κανόνες if-then με κατάλληλες συναρτήσεις συμμετοχής για την παραγωγή ζευγαριών input output με μεγάλο βαθμό ακρίβειας, το οποίο αποτελείται από τους προσαρμοστικούς και τους μη προσαρμοστικούς κόμβους. Το δίκτυο αυτό είναι ένα πολύ-επίπεδο δίκτυο πρόσθιας τροφοδότησης στο οποίο κάθε κόμβος εκτελεί μία συγκεκριμένη λειτουργία πάνω στα εισερχόμενα σήματα και πάνω στο σύνολο των παραμέτρων που αντιστοιχούν στο συγκεκριμένο κόμβο. Σαν παράμετροι μπορεί να είναι μια χρονοσειρά συναλλάγματος π.χ. μέσος όρος τελευταίων χρόνων, έτσι μπορούμε να ορίσουμε σειρά από παραμέτρους για το προτεινόμενο μοντέλο υλοποιημένο σε κώδικα περιβάλλοντος Matlab με ένα νευρωνικό δίκτυο με δύο νευρώνες εισόδου, 10 υπολογιστικούς νευρώνες και ένα νευρώνα εξόδου, εξάγουμε τα τελικά συμπεράσματα επίδοσης και έτσι γνωρίζουμε ποιο μοντέλο υπερισχύει στο πρόβλημα που αντιμετωπίζουμε.
    • This diploma thesis deals with the problem of forecasting the exchange rate of exchange rate currencies. The exchange rate is basically a time series where every single point is the selling price of a currency in relation to another. So the problem goes into predicting time series. There are several methods that lead to the prediction of time series, such methods lead to the creation of a series of models that in our case are usually non-linear. Our goal is to create such a model using neural networks as well as fuzzy logic. This thesis proposes to address the problem of predicting future currency exchange rates using a combination of neural networks and fuzzy logic. In particular, through the study of the corresponding proposals to address the problem from previous articles, we propose an adaptive neuro-fuzzy inference system model of the ANFIS type, a hybrid technique that incorporates the advantage of the ability to learn an artificial neural network and use of a set of if-then rules with appropriate participation functions for generating input output pairs with a high degree of precision, consisting of adaptive and non-adaptive nodes. This network is a multi-level front feed network in which each node performs a specific function on the incoming signals and on the set of parameters corresponding to that node. As parameters it can be a currency time series eg. we can define a set of parameters for the proposed model implemented in Matlab environment code with a neural network with two input neurons, 10 computational neurons and one output neuron, we derive the final performance conclusions, and so we know which model overrides the problem we face.
  13. Hellenic Open University
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.