Τσιούμπρης Ιωάννης (Υποψήφιος Διδάκτορας)

Τίτλος διατριβής: Ανάλυση χρονοσειρών με μεθόδους μηχανικής μάθησης

Επιβλέπων: Σιδηρόπουλος Αντώνης

Μέλη Συμβουλευτικής Επιτροπής:

Αντωνίου Ευστάθιος, Καθηγητής, Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ
Ουγιάρογλου Στέφανος, Επίκουρος Καθηγητής, Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ

Περίληψη:

Η παρούσα έρευνα διερευνά τη συσχέτιση μεταξύ πολλαπλών αλληλένδετων χρονοσειρών, εστιάζοντας στο πώς οι βραχυπρόθεσμες μεταβολές τιμών σε μία χρονοσειρά μπορούν να επηρεάσουν μια άλλη. Η μελέτη επικεντρώνεται κυρίως στις αγορές Forex και κρυπτονομισμάτων, εξετάζοντας σε ποιο βαθμό σημαντικές αλλαγές στις τιμές ενός ζεύγους νομισμάτων (π.χ. EUR/USD) επιδρούν σε άλλα ζεύγη (π.χ. AUD/CZK) εντός σύντομων χρονικών παραθύρων.

Η έρευνα χρησιμοποιεί προηγμένες τεχνικές ανάλυσης χρονοσειρών και μοντέλα μηχανικής μάθησης, όπως LSTM (Long Short-Term Memory), XGBoost, Random Forest και VAR (Vector Autoregression), για την αναγνώριση προτύπων και την πρόβλεψη βραχυπρόθεσμων μεταβολών τιμών. Τα δεδομένα υψηλής συχνότητας από τις αγορές Forex και κρυπτονομισμάτων αποτελούν τη βάση της ανάλυσης, αναδεικνύοντας τόσο άμεσες όσο και έμμεσες συσχετίσεις μεταξύ των ζευγών.

Μέσα από μεθοδολογίες όπως η ανάλυση συσχέτισης, η εξέταση της μεταβλητότητας και οι έλεγχοι συνολοκλήρωσης, η έρευνα στοχεύει στη μοντελοποίηση και την ποσοτικοποίηση των δυναμικών σχέσεων μεταξύ των χρονοσειρών. Τα αποτελέσματα αναμένεται να συνεισφέρουν στον τομέα του αλγοριθμικού trading, παρέχοντας πολύτιμες γνώσεις σε traders και αναλυτές που επιθυμούν να εκμεταλλευτούν διακυμάνσεις τιμών σε διασυνδεδεμένες αγορές.

Τα ευρήματα της μελέτης αναμένεται να έχουν εφαρμογή πέρα από τις χρηματοοικονομικές αγορές, προσφέροντας δυνατότητες αξιοποίησης σε άλλους τομείς με παρόμοια συμπεριφορά χρονοσειρών, όπως η πρόγνωση καιρού.