Search

Στην παρούσα διπλωματική εργασία εκτελέστηκε η ολοκληρωμένη διαδικασία ανάλυσης κινδύνου με την μέθοδο Value at Risk σε αποδόσεις μετοχών επτά κορυφαίων ευρωπαϊκών αεροπορικών εταιρειών. Πριν την σταδιακή περιγραφή της διαδικασίας και τον εντοπισμό του επιπέδου κινδύνου σε κάθε μια από τις σειρές, διαμορφώθηκε ένα εισαγωγικό πλαίσιο. Συγκεκριμένα, στο πρώτο κεφάλαιο ξεδιπλώνεται, λεπτομερώς, η πορεία και η εικόνα της αεροπορικής βιομηχανίας έως σήμερα. Η ιστορία της, το σύγχρονα διαμορφωμένο περιβάλλον με τις ευκαιρίες και τις επιδοκιμασίες του κλάδου, οι βασικές δραστηριότητες και τα κόστη, τα ανταγωνιστικά πλεονεκτήματα καθώς και ευρωπαϊκό πλαίσιο, απεικονίζουν ένα μεγάλο μέρος της σύγχρονης αεροπορικής βιομηχανίας. Το δεύτερο κεφάλαιο είναι αφιερωμένο στην έννοια του κινδύνου, όπου διακρίνονται οι βασικές έννοιες του όρου, η κατηγοριοποίηση του και τέλος, η διαχείριση για βέλτιστη λήψη αποφάσεων. Στο τρίτο κεφάλαιο αποτυπώνεται η διαδικασία ανάλυσης κινδύνου με τις ουσιαστικότερες εννοιολογικές και οικονομετρικές συνεισφορές στον ορθό καθορισμό του κινδύνου μιας επένδυσης. Ολοκληρώνοντας, εκτελείται η διαδικασία ανάλυσης κίνδυνου με την με την χρήση των υποδειγμάτων ARIMA και τα υπό συνθήκη ετεροσκεδαστικότητας υποδείγματα, ARCH - GARCH. Στην αρχή του κεφαλαίου, γίνεται η περιγραφή των προφίλ της κάθε μίας εταιρείας ενώ στη συνέχεια και με την βοήθεια ηλεκτρονικών προγραμμάτων παρουσιάζονται τα δεδομένα, αναλύεται η συμπεριφορά τους και τέλος, συμπεραίνεται ο βαθμός επικινδυνότητας μιας ανάλογης επένδυσης., In this thesis, it was carried out a risk analysis process using the Value at Risk method on seven leading European Airlines stock returns. Before the description of this process and the definition of each series risk level, an introductory framework was formed. Specifically, in the first chapter it is unfolded, in detail, the facts that made the aviation industry what it is today. The history, the contemporary environment with industry opportunities and endorsements, core activities and costs, competitive advantages and the European framework, depict most of the modern aviation industry. The second chapter is dedicated to risk concept with the description of the term, risk categorization and finally, risk management for optimal decision-making. In the third chapter, it is described the risk analysis process with the most essential conceptual and econometric contributions to the best investment determination. In conclusion, risk analysis process is performed using the ARIMA models and the conditional heteroskedasticity ARCH – GARCH models. At the beginning of the chapter, each company profile is described and after that, with electronic programs support, it is given the data presentation, their behavior analyzation and finally, the risk degree of each of these investments.

Η συγκεκριμένη διπλωματική εργασία έχει ως στόχο και αντικείμενο την παρουσίαση του νησιού της Ρόδου ως τουριστικού προορισμού, καθώς και την τουριστική ανάλυση του νησιού την τελευταία δεκαετία από το 2010 έως και το 2019. Η διπλωματική εργασία ξεκινάει από τις βασικές έννοιες του τουρισμού και την σημασία του για την ελληνική οικονομία και κοινωνία και συνεχίζεται με το νησί της Ρόδου, αναλύοντας την ιστορία του, τα αξιοθέατα που διαθέτει αλλά και τα στοιχεία της τουριστικής κίνησης. Υπάρχουν πίνακες και στατιστικά στοιχεία που αναλύουν την τουριστική κίνηση την δεκαετία 2010 - 2019 και με την χρήση στοιχείων αυτών και του προγράμματος Statgraphics, θα γίνει η πρόβλεψη των αφίξεων της επόμενης χρονιάς, δηλαδή για το 2020. Στο τέλος της εργασίας υπάρχουν τα συμπεράσματα της έρευνας αλλά και κάποιες προτάσεις για βελτίωση του τουριστικού προϊόντος της Ρόδου., This dissertation aims to present the Rhodes Island of Greece as a tourist destination and also the tourism analysis of the island in the period 2010 -2019, gathering many informations and important elements for the tourism activities in the island. The dissertation starts with the basic concept of tourism in Greece and the importance for the country, the society and the local economy of Rhodes Island and continues with its history, its attractions and with a lot of important elements for the tourism flow of the island. There are a lot of tables, elements and statistics for the tourism in the island like the arrivals every year, and with the use of these elements in cooperation with the Statgraphics tool, the arrivals for the next year 2020, will be predicted like a forecast. At the end of this thesis, there are a lot of conclusions from the research and some suggestions for improving Rhodes Island like a touristic product and tourism destination.

Η παρούσα διατριβή καλύπτει πρωτοποριακή έρευνα στην τομή των ερευνητικών πεδίων της μηχανικής μάθησης και της πρόβλεψης χρονοσειρών, με εφαρμογή σε πραγματικά δεδομένα βιομηχανικών διαδικασιών. Ο όρος "χρονοσειρά" αναφέρεται σε μια ακολουθία ή ροή δεδομένων που είναι χρονικά εξαρτημένη, με τη χρονική συσχέτιση να είναι θεμελιώδης. Τέτοιου είδους χρονοσειρές είναι πανταχού παρούσες στο περιβάλλον και στην καθημερινότητά μας. Η σημασία αυτών των δεδομένων απορρέει ακριβώς από την χρονική τους συσχέτιση. Ιδιαίτερο ενδιαφέρον υπάρχει στην περίπτωση της συσχέτισης μεταξύ διαφορετικών χρονοσειρών πολλών διαστάσεων. Η μηχανική μάθηση αποτελεί σημαντικό παράγοντα στις πιο πρόσφατες εξελίξεις για την αντιμετώπιση των προκλήσεων που συνεπάγεται η εξαγωγή χρήσιμων πληροφοριών από δεδομένα χρονοσειρών. Ταυτόχρονα, η ερευνητική επίδραση αυξάνεται όταν υπάρχει παράλληλο οικονομικό όφελος για τους βιομηχανικούς φορείς. Η προσέγγισή μας για την επεξεργασία και ανάλυση δεδομένων περιλαμβάνει την προεπεξεργασία των ακατέργαστων δεδομένων, την εκπαίδευση ενός μοντέλου μηχανικής μάθησης στα προεπεξεργασμένα δεδομένα για την πρόβλεψη ή κατηγοριοποίηση επιθυμητών μεταβλητών, την απεικόνιση των αποτελεσμάτων σε χρονοσειρές για χρονική ανάλυση, και την εφαρμογή της επεξηγήσιμης τεχνητής νοημοσύνης για καλύτερη κατανόηση των μοντέλων και των προβλέψεών τους. Η διατριβή αφορά την ανάλυση προβλημάτων που εμφανίζονται σε διάφορα στάδια της παραγωγικής διαδικασίας στον βιομηχανικό τομέα και για τα οποία δεν έχουν ακόμη εφαρμοστεί μέθοδοι Μηχανικής Μάθησης. Σε αυτές τις περιτπώσεις υλοποιούμε το προτεινόμενο ολοκληρωμένο πλαίσιο τεχνητής νοημοσύνης το οποίο καλύπτει τόσο προβλήματα κατηγοριοποίησης όσο και παλινδρόμησης. Ένας ειδικός στόχος της εργασίας είναι ο σχεδιασμός και η βελτιστοποίηση μαθηματικών μοντέλων Μηχανικής Μάθησης, με ιδιαίτερη έμφαση σε μοντέλα νευρωνικών δικτύων πολλαπλών επιπέδων που εφαρμόζονται σε πολυδιάστατα και πολύπλοκα πραγματικά δεδομένα σε διάφορους βιομηχανικούς τομείς, όπως την αγροτική, την ναυτιλιακή και τη χρηματοπιστωτική βιομηχανία. Στόχος μας είναι να βελτιώσουμε αυτές τις μεθόδους και να αναπτύξουμε νέες με βάση τις προκλήσεις και τους περιορισμούς που προκύπτουν από τη φύση των δεδομένων. Η διατριβή επικεντρώνεται στην πρόβλεψη μελλοντικών γεγονότων και συμπεριφορών, επιτρέποντας στις επιχειρήσεις να διεξάγουν αναλύσεις για την πρόβλεψη των επιπτώσεων των πιθανών αλλαγών στις επιχειρηματικές στρατηγικές τους. Συγκεκριμένα η διατριβή στοχεύει στην δημιουργία και εφαρμογή προηγμένων αλγόριθμων ανάλυσης δεδομένων γενικότερα, παρέχοντας τη δυνατότητα οπτικής απεικόνισης αυτών με σκοπό την καλύτερη και βαθύτερη κατανόηση των προβλημάτων, ενώ παράλληλα μοντέλα προβλέψεων βασισμένα σε τεχνολογίες Μηχανικής Μάθησης προτείνονται με σκοπό την βέλτιστη λήψη αποφάσεων. Οι τεχνικές Μηχανικής Μάθησης καθώς και τεχνικές πρότυπης μοντελοποίησης θα είναι σε θέση να διαχειριστούν τον κύκλο ζωής της προετοιμασίας, της εξερεύνησης και της ανάλυσης δεδομένων, για την επίτευξη καλύτερης απόδοσης και παρακολούθησης του επιλυόμενου προβλήματος. Αναλυτικότερα, εστιάζουμε τόσο σε πρακτικές όσο και σε θεωρητικές πτυχές των μεθόδων Μηχανικής Μάθησης για την εξόρυξη και διαχείριση δεδομένων χρονοσειρών. Οι ερευνητικοί μας στόχοι καθοδηγούνται από τρείς προκλήσεις στην εφαρμογή μεθόδων Μηχανικής Μάθησης (και κυρίως των σχετικών με τις χρονοσειρές) σε πραγματικές συνθήκες όπως η συνεχής βελτιστοποίηση των μοντέλων Μηχανικής Μάθησης (ακρίβεια, χρόνος εκτέλεσης κ.α.) την βελτίωση των αποτελεσμάτων του μοντέλου λόγω της χρήσης υποκατάστατων δεδομένων που εμπλουτίζουν το σύνολο δεδομένων και συμβάλλουν στην καλύτερη γενίκευση του προτεινόμενου μοντέλου και τη βέλτιστη επιλογή διαφορετικών μοντέλων. Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή τη διατριβή προέρχονται από 3 τομείς της πραγματικής οικονομίας τη ναυτιλία, την ασφάλεια τροφίμων και τον τραπεζικό τομέα. Όσον αφορά τον πρώτο τομέα, η έρευνα επικεντρώθηκε στο πρόβλημα της προβλεπτικής συντήρησης των κύριων μηχανών εμπορικών πλοίων. Από τον τομέα της ασφάλειας τροφίμων και ανάλυσης κειμένου επικεντρώθηκε στη πρόβλεψη συμβάντων ανάκληση τροφίμων από δεδομένα ροής μικρών κειμένων καθώς και την εξαγωγή συμπερασμάτων για την συσχέτιση περιβαλλοντικών συνθηκών με την ποιότητα του κρέατος των χοίρων. Τέλος στον χρηματοοικονομικό/τραπεζικό τομέα μελετήσαμε την πρόβλεψή ροών χρήματος σε Μικρομεσαίες Επιχειρήσεις (ΜΜΕ) βασισμένες σε ιστορικά δεδομένα συναλλαγών. Μία από τις πρώτες συνεισφορές μας είναι μια ολοκληρωμένη διερεύνηση των προαναφερθέντων πραγματικών προβλημάτων, όπου εντοπίσαμε ερευνητικές ευκαιρίες. Τα πλοία, παρόμοια με άλλους τύπους ‘’εξοπλισμού’’ είναι εφοδιασμένα με αισθητήρες ώστε να μπορούν να συλλέγουν πληροφορίες για την συνολική λειτουργία των μηχανικών και ηλεκτρικών μερών τους. Οι αισθητήρες αυτοί παρέχουν ροές δεδομένων που μπορούν να αναλυθούν σε πραγματικό χρόνο μέσω τεχνικών Μηχανικής Μάθησης και να συλλέγουν πληροφορίες για πιθανά σφάλματα στις κύριες μηχανές ή σε άλλα μέρη των πλοίων, αυτό ακριβώς αποτελεί και τον πρώτο πυλώνας των επιστημονικών μας συνεισφορών. Οι πληροφορίες αυτές μπορούν να χρησιμοποιηθούν ώστε να διευκολύνουν ή να βελτιώσουν αποφάσεις, όπως την παραγγελία ανταλλακτικών ή την αλλαγή προορισμού σε λιμάνια για την αντικατάσταση εξαρτημάτων που αναμένεται να χαλάσουν. Όλα τα παραπάνω μπορούμε να τα συνοψίσουμε ως μια συνολική προσέγγιση προβλεπτικής συντήρησης που οδηγείται από τα δεδομένα. Στην εργασία αυτή, παρουσιάζουμε μια προσέγγιση για τον εντοπισμό ανωμαλιών σε δεδομένα χρονοσειρών, εφαρμόζοντας τεχνικές Μηχανικής Μάθησης στα δεδομένα των αισθητήρων του πλοίου, με σκοπό την έγκαιρη εκτίμηση της κατάστασης συγκεκριμένων μερών της κύριας μηχανής του πλοίου έτσι ώστε η προβλεπτική συντήρηση να καταστεί δυνατή. Η προτεινόμενη προσέγγιση ενσωματώνει αρκετά μοντέλα που έχουν αναλυθεί και εφαρμοστεί στο πλαίσιο της προβλεπτικής συντήρησης στον ναυτιλιακό κλάδο, σε μια συλλογή μοντέλων για να συλλεχθούν σαφέστερες πληροφορίες για τα αποτελέσματα και την δυνατότητα εφαρμογής προβλεπτικής συντήρησης. Η δεύτερη σημαντική συμβολή αυτής της έρευνας αφορά την ανάλυση και πρόβλεψη πληροφοριών σχετικά με πιθανά μη ασφαλή διατροφικά αγαθά και προϊόντα. Αυτές οι πληροφορίες αξιοποιούνται για να οδηγήσουν στη λήψη αποφάσεων αναφορικά με το ποια προϊόντα είναι πιο πιθανό να είναι επιβλαβή στο εγγύς μέλλον και στη συνέχεια να βελτιστοποιήσουν την αλυσίδα εφοδιασμού τροφίμων. Στο πλαίσιο της διατριβής, εισάγουμε μια προσέγγιση Βαθιάς Μάθησης αξιοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας και πρόβλεψης χρονοσειρών, για την παρακολούθηση και την ανάλυση του κινδύνου που σχετίζεται με κάθε κατηγορία προϊόντων διατροφής και τις αντίστοιχες πιθανές ανακλήσεις. Επιπλέον, προτείνουμε μια τεχνική που εκμεταλλεύεται την μεθοδολογία της Ενισχυτικής Μάθησης αξιοποιώντας ιστορικά δεδομένων ανακοινώσεων ανάκλησης προϊόντων τροφίμων για την πρόβλεψη των μελλοντικών ανακλήσεων τους. Με τον τρόπο αυτο παρέχονται πληροφορίες στις εταιρείες τροφίμων σχετικά με τις επερχόμενες τάσεις στις ανακλήσεις τροφίμων που μπορούν να οδηγήσουν σε αυξημένο ποιοτικό έλεγχο και επιτήρηση για έγκαιρες ανακλήσεις. Αξιολογούμε επίσης και αποδεικνύουμε την αποτελεσματικότητα και την προστιθέμενη αξία των προτεινόμενων προσεγγίσεων μέσω ενός πραγματικού σεναρίου με υποσχόμενα αποτελέσματα. Επιπροσθέτως, εξετάζεται στο υπόψη πραγματικό σενάριο η χρήση ανάλογων/υποκατάστατων δεδομένων ως μέθοδος επαύξησης του συνόλου δεδομένων για πιο ακριβή αποτελέσματα με θετικά αποτελέσματα. Παράλληλα σχετικά με την ασφάλεια τροφίμων, ένα δεύτερο πραγματικό σενάριο το οποίο εξετάστηκε στο πλαίσιο της διατριβής και δείχνει την προστιθέμενη αξία της χρήσης των διαφόρων δεδομένων που συλλέγονται είναι αυτό της ανεπιθύμητης γεύσης και οσμής που μπορεί να υπάρχει στο κρέας των κάπρων, όταν μαγειρεύεται το χοιρινό, προκαλώντας το δυσάρεστο άρωμα, τεχνικά γνωστό ως κηλίδωση κάπρου. Αξίζει να σημειωθεί ότι φυσικές δυσάρεστες οσμές δεν δημιουργούν πρόβλημα ασφάλειας των τροφίμων, αλλά αποτελούν απειλή για την εμπειρία φαγητού/μαγειρικής και απαγορεύεται από τους κανονισμούς για την ποιότητα των τροφίμων στις περισσότερες χώρες. Χρησιμοποιώντας τα συμπεράσματα της εν λόγω μελέτης, που συγκαταλέγονται στα αποτελέσματα της διατριβής, οι χοιροτρόφοι μπορούν να αποκτήσουν γνώσεις σχετικά με τον τρόπο με τον οποίο πρέπει να προσαρμόσουν τη διαχείρισή των κάπρων για να μειώσουν τη κηλίδωση τους. Συγκεκριμένα, αυτή η μελέτη εξετάζει πολλαπλές προγνωστικές προσεγγίσεις που βασίζονται σε δεδομένα σε συνδυασμό με μεθόδους εξηγήσιμης τεχνητής νοημοσύνης, αξιολογώντας τις σε σχέση με διάφορες εξηγήσιμες μετρήσεις, καταλήγοντας σε χρήσιμα συμπεράσματα, πληροφορίες και συγκεκριμένες προτάσεις. Αναλυτικότερα, σε αυτήν την προσέγγιση, η εξεταζόμενη περίπτωση χρήσης μοντελοποιήθηκε ως δυαδική εργασία ταξινόμησης με αποτέλεσμα ένα εξαιρετικά ανισόρροπο σύνολο δεδομένων. Με αυτήν την προσέγγιση, έχουν προκύψει ορισμένα λειτουργικά χαρακτηριστικά τα οποία φαίνεται να συσχετίζονται με την κηλίδωση των κάπρων και αφορούν τις συνθήκες του αγροκτήματος/στάβλου και του σφαγείου, όπως ο τύπος της τροφής, ο τύπος του συστήματος εξαερισμού, η φαρμακευτική αγωγή, ο τύπος δαπέδου και η διάρκεια της αναμονής στο χώρο αποθήκευσης. Η τρίτη επιστημονική μας προσθήκη αφορά τον τραπεζικό κλάδο και πιο συγκεκριμένα τις Μικρομεσαίες Επιχειρήσεις (ΜΜΕ) οι οποίες αντιμετωπίζουν ένα περίπλοκο και προκλητικό περιβάλλον, καθώς στους περισσότερους τομείς υστερούν στον ψηφιακό μετασχηματισμό τους. Οι τράπεζες, διατηρώντας μια ποικιλία δεδομένων των ΜΜΕ-πελατών τους για την εκτέλεση των βασικών τους δραστηριοτήτων, θα μπορούσαν να προσφέρουν επιπλέον μια λύση χρησιμοποιώντας όλα τα διαθέσιμα δεδομένα για να παρέχουν στους πελάτες τους μια εργαλειοθήκη Οικονομικής Διοίκησης Επιχειρήσεων (ΟΔΕ), παρέχοντας ψηφιακές υπηρεσίες προστιθέμενης αξίας βασισμένες στην μηχανική μάθηση. Παρά την επιτυχία της Βαθιάς Μάθησης σε πολλούς τομείς, ο σχεδιασμός τέτοιων μοντέλων βασίζεται στη διαδικασία της δοκιμής και του λάθους. Μια αυστηρή μαθηματική θεωρία υπερπαραμετροποιημένων μοντέλων η οποία να καλύπτει όλα τις περιπτώσεις εφαρμογής εξακολουθεί να λείπει. Προς αυτή την κατεύθυνση, η παρούσα εργασία περιστρέφεται γύρω από την ανάπτυξη ενός έξυπνου, εξατομικευμένου υβριδικού μοντέλου κατηγοριοποίησης συναλλαγών, διασυνδεδεμένου με ένα μοντέλο πρόβλεψης ταμειακών ροών που βασίζεται σε επαναλαμβανόμενα νευρωνικά δίκτυα Βαθιάς Μάθησης. Καθώς η ταξινόμηση των συναλλαγών είναι μεγάλης σημασίας, αυτή η έρευνα επεκτείνεται προς επεξηγήσιμη τεχνητή νοημοσύνη, όπου τα εργαλεία /μέθοδοι LIME και SHAP χρησιμοποιούνται για την ερμηνεία και την απεικόνιση των αποτελεσμάτων ταξινόμησης Μηχανικής Μάθησης. Η προσέγγισή μας δείχνει πολλά υποσχόμενα αποτελέσματα σε μια περίπτωση τραπεζικής χρήσης σε πραγματικό κόσμο και λειτουργεί ως το θεμέλιο για την ανάπτυξη περαιτέρω τραπεζικών μικροϋπηρεσιών ΟΔΕ, όπως η πρόβλεψη ταμιακών ροών, ο εντοπισμός απάτης και η παρακολούθηση του προϋπολογισμού. Αυτή η Διατριβή είναι ένα βήμα προς πιο αξιόπιστες και αποτελεσματικές μεθόδους Μηχανικής Μάθησης για πραγματικά προβλήματα βιομηχανίας κυρίως χρησιμοποιώντας δεδομένα χρονοσειρών. Ως εκ τούτου στο προτεινόμενο πλαίσιο της διατριβής έχει ενσωματωθεί ένα καινοτόμο μοντέλο ΧΑΙ για χρονοσειρές. Ελπίζουμε ότι τα ευρήματά μας θα αποτελέσουν κίνητρο για τους μελλοντικούς ερευνητές και θα χρησιμεύσουν ως εργαλεία για μηχανικούς σε βιομηχανικές εφαρμογές υψηλού αντίκτυπου, This thesis covers pioneering research at the intersection of the research fields of machine learning and time series forecasting, with application to real industrial process data. The term "time series" refers to a sequence or stream of data that is time-dependent, with temporal correlation being fundamental. Such time series are ubiquitous in our environment and everyday life. The importance of these data derives precisely from their temporal correlation. Of particular interest is the case of correlation between different multidimensional time series. Machine learning is an important factor in the latest developments to address the challenges of extracting useful information from time series data. At the same time, research impact increases when there is a parallel financial benefit for industrial actors. Our approach to data processing and analysis includes preprocessing the raw data, training a machine learning model on the preprocessed data to predict or categorize desired variables, visualizing the results in time series for temporal analysis, and applying explainable artificial intelligence to better understand the models and their predictions. The thesis concerns the analysis of problems that appear at various stages of the production process in the industrial sector and for which Machine Learning methods have not yet been applied. In these cases we implement the proposed integrated artificial intelligence framework which covers both classification and regression problems. A specific aim of the work is the design and optimization of mathematical Machine Learning models, with a special emphasis on multi-layer neural network models applied to multi-dimensional and complex real data in various industrial sectors, such as agriculture, shipping and financial industries. Our goal is to improve these methods and develop new ones based on the challenges and limitations arising from the nature of the data. The thesis focuses on predicting future events and behaviors, enabling businesses to conduct analysis to predict the impact of potential changes to their business strategies. Specifically, we focus on both practical and theoretical aspects of machine learning methods when dealing with time series data mining and management. Our research goals are driven by three common "gaps" in the application of Machine Learning methods and time series, such as the continuous optimization of Machine Learning models (and as a result, their results) the improvement of model results due to the use of surrogate data that they enrich the data set and contribute to a better generalization of the proposed model and an optimal selection of different models. The data areas covered in this project cover shipping, food safety and banking. Regarding the first area, the research focused on the problem of predictive maintenance of the main engines of merchant ships. From the field of food safety and text analysis focused on predicting food recall events from small text stream data as well as inferring the correlation of environmental conditions with meat quality. Finally, in the financial sector, we studied the forecast of cash flows in Small and Medium Enterprises (SMEs) based on historical transaction data. One of our first is a comprehensive investigation of the actuals, where we identified problem investigations. Ships, like other types of "equipment", in their factory settings, are equipped with sensors so that they can collect information about the overall operation of the particular sector - in this case, the marine industry and the condition of its equipment - and more specifically in the case of ships/vessels. These sensors provide data streams that can be analyzed in real time through Artificial Intelligence techniques and collect information about possible errors in the machines, this is precisely the first pillar of our scientific contributions. This information is exploited to drive decisions such as ordering spare parts or changing ports of destination to replace parts that will not fail. The second trade-off in a comprehensive, data-driven predictive maintenance approach. In this work, we present an approach for detecting anomalies in time series data by leveraging Machine Learning technique on sensory data. of the ship, to predict the condition of specific parts of the ship's main engine so that predictive maintenance is possible. The presented approach incorporates both several models that have been analyzed and applied to address the challenge of predictive maintenance in the shipping industry, and a collection of these models to gather clearer information on predictive maintenance outcomes. The second important contribution of this research concerns the analysis and prediction of information about potentially unsafe goods and products. This information is leveraged to drive decision-making, such as which products are most likely to be harmful soon, and then optimize the food supply chain. To address this, we introduce a deep learning approach leveraging Natural Language Processing and Time Series Prediction Techniques to monitor and analyze the risk associated with each food product category and the corresponding potential recalls. Furthermore, we propose a technique that exploits reinforcement learning to use historical recall announcements of food products to predict their future recalls, thus providing information to food companies about upcoming trends in food recalls that can lead to timely recalls. We also evaluate and demonstrate the effectiveness and added value of the proposed approaches through a real scenario that gives promising results. While several techniques/models have been analyzed and applied to address the challenge of food recall predictions, the use of analog/surrogate data has also been studied and evaluated for more accurate results. Parallel to food safety, a real scenario that shows the added value of using the various data collected is that of the unwanted taste and smell that can be present in boar meat, also known as "boar taint". Using this information, pig farmers can gain insights into how they need to adjust their management to reduce boar infestation. This study examines multiple data-driven predictive approaches combined with explainable artificial intelligence (XAI) methods, evaluating them against various explainable metrics while trying to generate useful insights and suggestions. Specifically, in this approach, the considered use case was modeled as a binary classification task resulting in a highly unbalanced data set. With this approach, some functional characteristics related to farm/stall and abattoir conditions have been derived, such as type of feed, type of ventilation system, medication, type of floor and length of time in storage. Our third scientific addition touches on the banking industry and more specifically Small and Medium Enterprises (SMEs) which face a complex and challenging environment, as in most areas they are lagging behind in their digital transformation. Banks, maintaining a variety of data of their SME customers to perform their core activities, could offer a solution using all available data to provide their customers with a Business Financial Management (BFM) toolkit, providing value-added services. core activity. Despite the success of deep learning in many areas, the design of such models is based on the process of trial and error. A rigorous mathematical theory of overparameterized models is still lacking. Towards this end, the present work revolves around the development of an intelligent, highly personalized hybrid transaction categorization model, interfaced with a cash flow forecasting model based on recurrent neural networks (RNNs). As transaction classification is of great importance, this research is extended to explainable artificial intelligence, where the LIME and SHAP frameworks are used to interpret and visualize ML classification results. Our approach shows promising results in a real-world banking use case and serves as the foundation for the development of further BFM banking microservices such as transaction fraud detection and budget monitoring. This scientific work is a step towards more reliable and effective machine learning methods for real industry problems mainly using time series data. Therefore, an innovative XAI model for time series has been integrated into the proposed framework of the thesis. We hope that our findings will motivate future researchers and use serve as tools for engineers in high-impact industrial applications.

Η ακριβής πρόβλεψη απαίτησης υλικών κρίσιμης σημασίας αποτελεί ζωτικό στάδιο της διαδικασίας επιχειρησιακής σχεδίασης μιας επιχείρησης. Με την αυθαίρετη εξασφάλιση μεγάλων ή μικρών ποσοτήτων υλικών που δεν σχετίζονται με την ζήτηση, ελλοχεύει το ενδεχόμενο η επιχείρηση να οδηγηθεί σε ανεπιθύμητα και μη αναστρέψιμα αποτελέσματα. Από την μελέτη των παραπάνω, ανακύπτει το μέγεθος του ρόλου που διαδραματίζει ο αναλυτής, ο οποίος καλείται να επεξεργαστεί τα δεδομένα και να εφαρμόσει κατάλληλες μεθόδους κατηγοριοποίησης και πρόβλεψης ζήτησης των υλικών που θα προσεγγίζουν την πραγματικότητα και θα οδηγούν σε λήψη αποφάσεων με γνώμονα την βιωσιμότητα και εξέλιξη της επιχείρησης, επιδιώκοντας παράλληλα την εξασφάλιση ανταγωνιστικού πλεονεκτήματος. Βασιζόμενη στα παραπάνω, η παρούσα διπλωματική εργασία πραγματεύεται το ζήτημα της πρόβλεψης της ζήτησης, έχοντας στόχο να προβάλλει την σημασία και χρησιμότητά της ως στάδιο της διαδικασίας δημιουργίας, διατήρησης, παρακολούθησης και ελέγχου των αποθεμάτων για τον στρατηγικό σχεδιασμό μιας επιχείρησης και ειδικότερα μιας Υπηρεσίας του δημοσίου τομέα που δραστηριοποιείται στη διαχείριση της στρατιωτικής εφοδιαστικής αλυσίδας. Στα προαναφερθέντα πλαίσια, αρχικά παρουσιάζεται αναλυτικά το υφιστάμενο θεωρητικό υπόβαθρο σε σχέση με την διαχείριση αποθεμάτων και έπειτα εφαρμόζονται οι υπάρχουσες αρχές της θεωρίας. Ειδικότερα, μέσα από την οικονομική κατηγοριοποίηση (βάσει της αξίας ζήτησης) και την εφαρμογή της ανάλυσης ABC, επιλέγονται συγκεκριμένα υλικά από το σύνολο εκείνων που διαχειρίζεται πληροφοριακά η Υπηρεσία. Στη συνέχεια επιλέγονται συγκεκριμένες βασικές μέθοδοι πρόβλεψης (που περιλαμβάνουν μεθόδους κινούμενου μέσου και εκθετικής εξομάλυνσης), καθώς και η στοχαστική μέθοδος ARIMA (Box- Jenkins) και δοκιμάζονται στα στοιχεία χρονοσειρών των επιλεχθέντων υλικών από το έτος 2012 και μετά. Ανάλογα με την μέθοδο που δοκιμάζεται κάθε φορά, ακολουθεί η αξιολόγησή της συγκρίνοντας τα παραγόμενα στοιχεία προβλέψεων με τα αντίστοιχα δεδομένα της καταγεγραμμένης ζήτησης της χρονοσειράς. Από την παραπάνω ανάλυση εξάγονται ωφέλιμα συμπεράσματα, προβάλλοντας το μεγάλο εύρος της βιβλιογραφικής προσέγγισης και το χάσμα με την πρακτική εφαρμογή, καθώς και την δυσκολία (λόγω πολυπλοκότητας) επιλογής των μεθόδων που είναι προσαρμοσμένες στα εκάστοτε δεδομένα και σύμφωνα με την κρίση του αναλυτή. Τέλος, μέσα από την παρούσα μελέτη και τις προτάσεις για μελλοντική διερεύνηση και παρά την αβεβαιότητα και τις αντιξοότητες που ανακύπτουν, καθίσταται αντιληπτό ότι η υιοθέτηση πολιτικής πρόβλεψης της ζήτησης είναι μονόδρομος ώστε να αποκτηθεί από την Υπηρεσία ευελιξία εφοδιαστικής αλυσίδας που θα της εξασφαλίσει την δυνατότητα άμεσης, βέλτιστης και αποτελεσματικής ανταπόκρισης στις αλλαγές της ζήτησης, μειώνοντας τα κόστη και παράλληλα ικανοποιώντας τις προβαλλόμενες απαιτήσεις που παρουσιάζονται στον σύγχρονο και ευαίσθητο τομέα της Άμυνας., Accurate demand forecasting of critical items is a vital step in business operational planning process. Any company that retains arbitrary, unrelated to demand inventory, could be led to undesirable and irreversible outcomes. It is clear that time series analysts have crucial role because they are called to process data, classify inventory and apply demand forecasting techniques so as to provide reliable forecasts. The results of these procedures are used in the decision making process to reserve company’s sustainability and development in order that a competitive advantage can be achieved. Based on the above mentioned aspects, the aim of this thesis is to determine demand forecast as a function of inventory management in public sector. Specifically, through this study it is highlighted how important and useful predictions are, in a way that can affect procurement, retaining, monitoring and controlling of inventory in military logistics. In line with the aforementioned aim, the theoretical background of inventory management is initially presented and then specific principles are applied on time series data. In particular, using ABC analysis (based on the demand value), material classification is implemented in the items that are managed by a military organization and a set of 19 spare parts is selected. Afterwards, some widespread forecasting techniques (such as moving average and exponential smoothing) as well as the stochastic ARIMA (Box- Jenkins) method are chosen and are tested on the time series spare parts set, using data since 2012. Then, measurement of the forecasting error of each tested method is evaluated, depending on the comparison between forecast results and the real, recorded demand data. Beneficial conclusions are drawn, as it is noted that there is a wide gap between theoretical approach and implementation of forecasting methods and consequently, because of complexity, the analyst has difficulty in choosing one method that properly fits in time series data. Finally, present research and proposed future research subjects indicate that even if residuals and uncertainty arise, the adoption of a forecasting policy is the only way for the military organization to ensure supply chain agility and the ability to adapt to demand changes immediately, effectively and optimally, aligning with cost reduction and fulfillment of the unique, distinct military requirements.

Η παρούσα διπλωματική εργασία μελετά τις επιδράσεις της διαφθοράς στις άμεσες ξένες επενδύσεις χρημιμοποιώντας τόσο συμβατικούς δείκτες όσο και εναλλακτικές μετρήσεις για αυτήν. Η εργασία ξεκινά με ανάλυση χρονοσειρών και στην συνέχεια επικεντρώνεται σε ένα πλαίσιο παλινδρομήσεων μέσω της γλώσσας προγραμματισμού R. Η ανάλυση βασίζεται σε δύο συστάδες χωρών, αυτή της ανατολικής Ευρώπης και αυτή του υπολοίπου Ευρώπης. Κατά τη διάρκεια της ανάλυσης μελετώνται επίσης άλλοι παράγοντες που μπορεί να επηρεάζουν τους ξένους επενδυτές στην λήψη αποφάσεων . Τα αποτελέσματα δείχνουν πως οι μέχρι τώρα συμβατικές αναλύσεις είναι πολύ δύσκολο να δώσουν απαντήση στο εάν και πως η διαφθορά επηρεάζει τις ειροές άμεσων επενδύσεων. Αντίθετα η εργασία έδειξε πως εναλλακτικά proxies ίσως είναι σε θέση να βοηθήσουν, ειδικά όταν λαμβάνονται υπόψιν παράγοντες όπως οι ιδιαιτερότητες κάθε χώρας ή ακόμα και η χώρα προέλευσης του επενδυτή.

Η κλιματική αλλαγή, η ενεργειακή κρίση και γενικά όλα τα περιβαλλοντικά προβλήματα έχουν οδηγήσει στην αναζήτηση εναλλακτικών πηγών ενέργειας προκειμένου να καλυφθούν οι ανάγκες των ανθρώπων, οι οποίες συνεχώς αυξάνονται, και να γίνει πιο ποιοτικό το βιοτικό τους επίπεδο. Οι διαδεδομένες πηγές ενέργειας, όπως το πετρέλαιο και ο λιγνίτης, εκτός του ότι δεν είναι καθόλου φιλικές για το περιβάλλον, δεν είναι και ανεξάντλητες. Αυτοί είναι δυο βασικοί λόγοι που έχουν στρέψει το ενδιαφέρον των επιχειρήσεων, αλλά και των ιδιωτών στην αξιοποίηση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) και στην ευρύτερη χρήση τους. Ένας ακόμα λόγος είναι η βιωσιμότητα που επιδιώκεται από τις επιχειρήσεις στις μέρες μας ώστε να αναπτύσσονται με φιλικό τρόπο για το περιβάλλον και τον άνθρωπο, προσφέροντας ποιοτικές υπηρεσίες και αγαθά. Στην συγκεκριμένη διπλωματική εργασία απαριθμούνται αναλυτικά όλες οι μορφές των Ανανεώσιμων Πηγών Ενέργειας, καταγράφεται η ανάπτυξη και η πρόοδος τούς με την πάροδο του χρόνου, τα πρότυπα ποιότητας, που είναι απαραίτητα για να παραχθεί ενέργεια, καθώς και τα πλεονεκτήματα και τα μειονεκτήματα που προκύπτουν κατά τη χρήση τους. Περιγράφεται ακόμα η σχέση των ΑΠΕ με την βιώσιμη ανάπτυξη διεθνώς, αλλά και στην Ελλάδα και η συμβολή τους στους στόχους βιωσιμότητας που έχουν τεθεί έως το 2030. Τέλος, αναλύεται η εξέλιξη των ΑΠΕ στην Ελλάδα και πραγματοποιείται στατιστική ανάλυση για τη συνολική παραγόμενη ενέργεια από αυτές με σκοπό να πραγματοποιηθούν προβλέψεις για τη μελλοντική εξέλιξή τους στη χώρα.

Η παρούσα έρευνα έχει διεξαχθεί στο πλαίσιο του μεταπτυχιακού προγράμματος στο Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων, κατεύθυνση Μεγάλα Δεδομένα & Αναλυτική. Η εργασία χωρίζεται σε δύο κύριες ενότητες: επισκόπηση των έξυπνων δικτύων και βραχυπρόθεσμη πρόβλεψη ηλεκτρικής κατανάλωσης για οικιακούς χρήστες. Το ενεργειακό δίκτυο βρίσκεται σε φάση μετάβασης από συμβατικό δίκτυο σε έξυπνο. Αυτή η εργασία παρουσιάζει τις κύριες διαφορές μεταξύ αυτών και υπογραμμίζει τα κύρια χαρακτηριστικά και τα οφέλη ενός έξυπνου δικτύου. Η ανάπτυξη μιας τέτοιας υποδομής και πιο συγκεκριμένα η εγκατάσταση έξυπνων μετρητών, έχει αυξήσει σε τεράστιο βαθμό τον όγκο των δεδομένων που συλλέγονται. Οι πάροχοι ηλεκτρικής ενέργειας άρχισαν να εξετάζουν αυτά τα δεδομένα προκειμένου να εντοπίσουν μοτίβα και να βελτιώσουν τις υπηρεσίες και τα περιθώρια κέρδους τους. Η τεχνητή νοημοσύνη και οι τεχνικές μηχανικής μάθησης χρησιμοποιούνται επί του παρόντος σε μεγάλη κλίμακα για την πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας, κάτι απαραίτητο για τον σχεδιασμό, την απόκριση της ζήτησης, την ισορροπία προσφοράς-ζήτησης. Τα τελευταία πέντε χρόνια υπάρχει μεγάλο ενδιαφέρον για την πρόβλεψη φορτίου για οικιακούς καταναλωτές, πράγμα πολύ δύσκολο λόγω της αστάθειας τέτοιων δεδομένων. Υπάρχουν πολλά διαφορετικά μοτίβα κατανάλωσης ανάλογα με την περιοχή, τον τύπο του σπιτιού, τα δημογραφικά στοιχεία των κατοίκων, τον καιρό, την ύπαρξη ηλιακών συλλεκτών, την ύπαρξη ηλεκτρικού οχήματος. Τα δεδομένα, που εξετάστηκαν σε αυτή την εργασία, συλλέχθηκαν κατά τη διάρκεια του έργου GridFlexHeeten [97]. Τα δεδομένα συλλέχθηκαν μεταξύ Αυγούστου 2018 και Αυγούστου 2020 για 77 νοικοκυριά που βρίσκονται όλα στο Heeten (Ολλανδία) και αποτελούνται από κατανάλωση ηλεκτρικής ενέργειας ανά λεπτό ανά νοικοκυριό. Αφού κάναμε μια επεξηγηματική ανάλυση, δημιουργήσαμε μεμονωμένα μοντέλα, SARIMAX, Vanilla-LSTM, Encoder-Decoder LSTM, για τρία σπίτια και συγκρίναμε τα αποτελέσματα., This research has been conducted as part of the postgraduate program at the University of Piraeus, Department of Digital Systems, Big Data & Analytics. The work is divided in two main sections: overview of smart grids and short-term load forecasting for residential users. Energy grid is on a transition phase from a conventional grid to a smart one. This work presents the main differences between those two and highlights the main components and the benefits of a smart grid. The deployment of such an infrastructure and more specifically the installation of smart meter, has increased massively the amount of collected data. Providers started diving into those data in order to identify patterns and improve their services and profit margins. Artificial intelligence and machine learning technics are currently used in large scale for load forecasting, which is necessary for planning, demand response, supply-demand equilibrium. The past five years there is a high interest in load forecasting for residential consumers; a task that is very challenging due to the volatility of such data. There many different consumption patterns depending on the area, type of house, demographics of the residents, weather, existence of solar panels, existence of an electric vehicle. The data, examined in this work, was collected during the GridFlex Heeten project [99]. The data was collected between August 2018 and August 2020 in 77 households all situated in Heeten (The Netherlands) and consists of electricity consumption per minute per household. After performing an exploratory data analysis, we created individual models, SARIMAX, Vanilla-LSTM, Encoder-Decoder LSTM, for three houses and compared the results.

Η παρούσα διπλωματική εργασία περιέχει μια μελέτη στην ερευνητική περιοχή των Predictive Analytics, κάνοντας χρήση των δυνατοτήτων της γλώσσας Python και των διαθέσιμων βιβλιοθηκών καθώς γίνεται μια προσπάθεια πρόβλεψης της τιμής μιας μετοχής ως χρονοσειρά σε αρχικό χρόνο. Ως προς το περιεχόμενο, αρχικά παρουσιάζονται κάποιες βασικές έννοιες που συνδέονται με τις μετοχές και τις επενδύσεις, όπως είναι η αναμενόμενη απόδοση,efficient market hypothesis, η πραγματική απόδοση μιας επένδυσης, ο κίνδυνος που ενέχει μια επένδυση η ανάλυση φυσικής γλώσσας και συναισθήματος και πώς αυτά τα δύο πεδία έχουν εφαρμογή στην σύγχρονη οικονομία και καθημερινότητα. Γίνεται ανάλυση της έννοιας της χρονοσειράς και των βασικότερων χαρακτηριστικών της σε θεωρητικό επίπεδο, όπως η στασιμότητα, η αυτοσυσχέτιση, η περιοδικότητα. Παρουσιάζονται, επίσης, τα γραμμικά μοντέλα AR(p), MA (q) και ARIMA (p,d,q), τα οποία δύνανται να «προσαρμοστούν» στα δεδομένα μιας στάσιμης χρονοσειράς και να παρέχουν προβλέψεις με μια σχετική ακρίβεια. Τέλος, το θεωρητικό υπόβαθρο των χρονοσειρών και των γραμμικών μοντέλων εφαρμόζεται στην πράξη σε μια μελέτη πραγματικής μετοχής για την περίοδο 17/11/2016 – 16/11/2021. Η έρευνα αφορά τις μετοχές των εταιρειών «Home Depot» η οποίa είναι εισηγμένη στο Αμερικανικό Χρηματιστήριο Dow Jones. Η ανάπτυξη του παγκόσμιου ιστού έχει οδηγήσει στην ραγδαία αύξηση των δεδομένων όπου είναι διαθέσιμα προς επεξεργασία και ανάλυση για την εξαγωγή συμπερασμάτων, για το λόγο αυτό έχουν κατασκευαστεί εργαλεία για την άντληση και επεξεργασία των δεδομένων αυτών. Η ανάλυση της προσωπικής άποψης και πεποίθησης αποτελεί ένα βασικό σημείο όπου μπορεί να πραγματοποιηθεί μέσω των παραπάνω δεδομένων. Στη συνέχεια γίνεται χρήση ενός ήδη εκπαιδευμένου νευρωνικού δίκτυο για την συσχέτιση δημοσιεύσεων έγκυρων οικονομικών πηγών με την πορεία της μετοχής μέσω ανάλυσης φυσικής γλώσσας και στη προσπάθεια εξαγωγής αποτελεσμάτων στον τομέα της ανάλυσης συναισθήματος του οικονομικού site ενημέρωσης finviz,με τη χρήση της τεχνικής ενός διαθέσιμου λεξικού. Για την ανάπτυξη των μοντέλων ανάλυσης χρνοσειρών και ανάλυσης συναισθήματος, χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python, η οποία τα τελευταία χρόνια Οι βασικότερες βιβλιοθήκες που χρησιμοποιήθηκαν είναι οι Pandas, NumPy, Seaborn και Vader, οι οποίες προσφέρουν τις απαραίτητες τεχνικές που απαιτούνται για την παρούσα εργασία., This thesis contains a study in the research field of Predictive Analytics, making use of the capabilities of the Python language and the available libraries as well as an attempt is made to predict the price of a stock as a time series at an initial stage. Regarding the content, some basic concepts related to the share-prices , financial analysis and investments, such as the expected return, efficient market hypothesis, rate of return of an investment, the risk involved in an investment and natural language process as well as sentiment analysis and how these two fields apply to the modern economy and everyday life. The concept of time series and its main characteristics are analyzed in theoretical level, such as stationarity, autocorrelation, periodicity are presented, also the linear models AR(p), MA (q) and ARIMA (p,d,q), which can "fit" the data of a stationary time series and provide forecasts with a relative accuracy. Finally, the theoretical background of time series and linear models is applied to act in a real share study for the period 17/11/2016 – 16/11/2021. The research concerns the shares of "Home Depot" company which is listed on the American Stock Exchange Dow Jones. The growth of the world wide web has led to the rapid growth of data wherever it is available for processing and analysis in order to draw conclusions, that's why they have build tools for extracting and processing this data. The analysis of personal opinion and belief is a key point where it can be done through the above extracted data. An already trained neural network is then used for correlation publications of authoritative financial sources with the course of the stock through natural language processing and in trying to derive results in the field of sentiment analysis of the financial information site «finviz», using the technique of an already trained dictionary. To develop the time series analysis and sentiment analysis models, the Python programming language was used.

Η παρούσα διπλωματική εργασία αφορά στην ανάπτυξη διαδικτυακής εφαρμογής για την πρόβλεψη των μελλοντικών τιμών του Χρηματιστηρίου με τη χρήση τεχνικών νευρωνικών δικτύων. Στα πλαίσια της διπλωματικής εργασίας, αναπτύχθηκαν νευρωνικά δίκτυα διαφόρων αρχιτεκτονικών με σκοπό τόσο την ακριβέστερη πρόβλεψη των μελλοντικών τιμών κλεισίματος όσο και την τάση για διάφορες μετοχές, κυρίως όμως για τις IBM, Tesla και Google. Κατά την εκπαίδευση των μοντέλων, πραγματοποιήθηκαν διάφορα πειράματα στις παραμέτρους των δικτύων με σκοπό την καλύτερη απόδοση των μοντέλων. Για κάθε μοντέλο που αναπτύχθηκε δοκιμάστηκε η απόδοσή του σε πραγματικό σύνολο δεδομένων ελέγχου, ώστε να συγκριθεί και να αξιολογηθεί. Η διαδικτυακή εφαρμογή κάνει χρήση αυτών μοντέλων, δίνοντας τη δυνατότητα στον χρήστη να επιλέξει το μοντέλο που τον ενδιαφέρει για πρόβλεψη της τιμής κλεισίματος μιας μετοχής για τον χρονικό ορίζοντα που δίδεται από την εφαρμογή. Στην πρώτη ενότητα της εργασίας προσφέρεται την απαραίτητη γνώση που αφορά τόσο στη μηχανική όσο και στη βαθιά μηχανική μάθηση, για την ανάπτυξη αποδοτικών μοντέλων πρόβλεψης. Αναλύονται οι αρχιτεκτονικές των τεχνητών νευρωνικών δικτύων, καθώς και ο τρόπος εκπαίδευσης τους για την ορθή επιλογή κατάλληλων μοντέλων για πρόβλεψη. Στη δεύτερη ενότητα εξηγούνται βασικές έννοιες των χρονοσειρών, αναλύονται τα χαρακτηριστικά τους, καθώς και αναφέρονται παραδοσιακές μέθοδοι πρόβλεψης που εφαρμόζονται για την αναγνώριση της συμπεριφοράς της χρονοσειράς. Στην τρίτη ενότητα αναπτύσσονται τα τεχνητά νευρωνικά δίκτυα βάση της θεωρίας των δύο πρώτων ενοτήτων και κατόπιν αξιολόγησης εντοπίζονται τα βέλτιστα μοντέλα που αναπτύχθηκαν. Επιπροσθέτως, εξάγουμε συμπεράσματα από την γενική απόδοση των μοντέλων βαθιάς μηχανικής μάθησης για την πρόβλεψη των μελλοντικών τιμών των μετοχών. Τέλος, στην τέταρτη ενότητα αναπτύσσεται η διαδικτυακή εφαρμογή και παρουσιάζονται οι δυνατότητές της και το γραφικό περιβάλλον. Έγινε προσπάθεια το περιβάλλον να είναι φιλικό προς το χρήστη, παρουσιάζοντας διαγράμματα των αποτελεσμάτων που προκύπτουν από τις επιλογές που διαθέτει η εφαρμογή. Για την ανάπτυξη των τεχνητών νευρωνικών δικτύων και της διαδικτυακής εφαρμογής, χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python, η οποία τα τελευταία χρόνια έχει υψηλή δημοτικότητα στην ανάπτυξη μοντέλων μηχανική και βαθιάς μάθησης. Οι βασικότερες βιβλιοθήκες που χρησιμοποιήθηκαν είναι οι Pandas, NumPy, Matplotlib, Streamlit, Keras και Tensoflow, οι οποίες προσφέρουν τις απαραίτητες μεθόδους, κλάσεις και συναρτήσεις που χρειαστήκαμε για την υλοποίηση της εφαρμογής.

Στο πλαίσιο της εργασίας αυτής θα πραγματοποιηθεί η ανάλυση της ακρίβειας των δεδομένων χρονοσειράς (Time-series) που παρήχθησαν από Περιβαντολλογικούς Αισθητήρες (θερμοκρασίας) έναντι μετρήσεων από αισθητήρες αναφοράς. Η ανάλυση αυτή περιλαμβάνει τη χρήση των στατιστικών μεθόδων Pearson squared correlation coefficient (R²) και Mean Absolute Error (MSE). Επιπλέον θα μελετηθεί η βελτίωση της ακρίβειας με εφαρμογή αλγορίθμων φιλτραρίσματος στα παραχθέντα δεδομένα όπως οι αλγόριθμοι Moving Average Window και Savitzky-Golay. Στη συνέχεια, θα εφαρμοστούν αλγόριθμοι πρόβλεψης (forecasting) στα δεδομένα χρονοσειράς (π.χ. ARIMAX, LSTM, PROPHET) με απώτερο σκοπό την εκτίμηση και αξιολόγηση της πορείας της Φαινόμενης Θερμοκρασίας (Heat Index) για τη λήψη αποφάσεων και οδηγιών που αφορούν σε ευπαθείς ομάδες πληθυσμού., In the context of this work, the accuracy of the time-series data (Time-series) generated by Environmental (Temperature) sensors will be analyzed against measurements by reference sensors. This analysis includes the use of Pearson squared correlation coefficient (R²) and Mean Absolute Error (MSE) statistical methods. In addition, the improvement of accuracy will be studied by applying filtration algorithms to the generated data such as the Moving Average Window and Savitzky-Golay algorithms. Then, forecasting algorithms will be applied to the time series data (eg ARIMAX, LSTM, PROPHET) with the ultimate goal of estimating and evaluating the course of the Apparent Temperature (Heat Index) for making decisions and instructions concerning vulnerable population groups.

Στην παρούσα διπλωματική, επιχειρούμε να προβλέψουμε την τιμή του bitcoin συγκρίνοντας την επίδραση του αριθμού των χαρακτηριστικών σε διάφορα μοντέλα πρόβλεψης. Επίσης, στόχος μας είναι να προτείνουμε ένα νέο συνδυαστικό μοντέλο. Ειδικότερα, η παρούσα μελέτη συγκρίνει την ακρίβεια της πρόβλεψης των τιμών του bitcoin με τη χρήση τριών διαφορετικών μοντέλων: Long-Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA) και Support Vector Machines(SVM) όσον αφορά τα σφάλματα πρόβλεψης. Χρησιμοποιούμε Python για τους σκοπούς αυτούς σε όλα τα πειράματα. Αναφερόμαστε στα κρυπτονομίσματα και επικεντρωνόμαστε στην πρόβλεψη της χρονοσειράς Bitcoin χρησιμοποιώντας το σύνολο δεδομένων Bitcoin Historical από το Kaggle. Η χρονοσειρά τιμών Bitcoin κυμαίνεται από 2012-01-01 έως 2021-03-31, σε διαστήματα ενός λεπτού. Για να συγκρίνουμε τα αποτελέσματα των τριών μοντέλων, χωρίσαμε τα δεδομένα σε δύο υποσύνολα: εκπαίδευση (70%) και δοκιμή (30%). Σε αυτή τη διπλωματική, τα αποτελέσματα επιβεβαιώνουν όντως πως ο αριθμός των χαρακτηριστικών επηρεάζουν την πρόβλεψη και πως το νέο συνδυαστικό μοντέλο μας είναι κατά μέσο όρο καλύτερο από εκείνο του παραδοσιακού και του μοντέλου μηχανικής μάθησης. Στη βιβλιογραφία, οι επιστήμονες αναφέρουν ότι ο LSTM υπερτερεί έναντι του ARIMA και του SVM. Πράγματι, οι προβλέψεις του LSTM για τις τιμές των bitcoin υπερτερούν κατά μέσο όρο των ARIMA και SVM μετά από κατάλληλη επιλογή των χαρακτηριστικών που θα χρησιμοποιηθούν, In this dissertation, we attempt to predict the price of bitcoin by comparing the impact of the number of features in different forecasting models. Also, we aim to propose a new combined model. Notably, this study compares the accuracy of the prediction of bitcoin prices using three different models: Long-Short Term Memory (LSTM), Auto-Regressive Integrated Moving Average (ARIMA) and Support Vector Machines(SVM) in terms of forecasting errors. We use Python routines for such purposes in all experiments. We refer to cryptocurrencies and focus on the Bitcoin time series forecasting by using the Bitcoin Historical dataset from Kaggle. Bitcoin price time series ranges from 2012-01-01 to 2021-03-31, in one-minute intervals. To compare the results of the three models, we devided data into two subsets: training (70%) and testing (30%). In this dissertation, the results do confirm the number of features that influence forecast, and our new combined model is better on average than the traditional and machine learning models. In the literature, scientists indicate that LSTM outperforms ARIMA and SVM. Verily, LSTM forecasts of bitcoin prices outperform on average ARIMA and SVM after appropriate selection of the features to be employed

Στόχος της παρούσας εργασίας είναι η μελέτη του δικτύου αναφορών και πατεντών της Ευρώπης, έτσι ώστε να αναδειχθούν οι εταιρίες με την μεγαλύτερη επιρροή στο χώρο της καινοτομίας, καθώς και τυχόν συσχετίσεις ανάμεσα στις αναφορές και τις πατέντες. Αρχικά έγινε ανάλυση των δεδομένων αναφορών και πατεντών, τα οποία παρέχονται από τον OECD, και δημιουργήθηκαν χρονοσειρές εξέλιξης των αναφορών και των πατεντών για τις πρώτες 100 εταιρίες με τις περισσότερες αναφορές στην Ευρώπη. Από αυτές τις χρονοσειρές βρέθηκε ποιες από τις 100 εταιρίες έχουν την μεγαλύτερή διασπορά, και κατ’ επέκταση την μεγαλύτερη μεταβλητότητα, και ο χρονικός συσχετισμός ανάμεσα στις αναφορές και τις πατέντες. Από αυτή την ανάλυση προκύπτει το συμπέρασμα ότι υπάρχει σημαντικός συσχετισμός για τις περισσότερες εταιρίες ανάμεσα στις αναφορές και τις πατέντες τους και υστέρηση στην χρονοσειρά των αναφορών σε σχέση με την χρονοσειρά των πατεντών για σχετικό μικρό χρονικό διάστημα που δεν ξεπερνά τα 2 με 3 χρόνια. Επίσης υπάρχει και ένα σημαντικό ποσοστό που δεν έχει χρονική υστέρηση, γεγονός το οποίο οδηγεί στο συμπέρασμα ότι υπάρχουν πολλές αυτό-αναφορές. Τέλος έγινε και μια μικρή μελέτη πιθανού συσχετισμού των μετοχών τεσσάρων εταιριών με τις αναφορές και τις πατέντες τους αλλά δεν βρέθηκαν κάποια σημαντικά αποτελέσματα, The aim of this paper is to study the European citation and patent network, in order to highlight the companies with the greatest influence in the field of innovation, as well as any correlations between their citations and patents. Initially, citation and patent data, provided by the OECD, were analyzed and time series for the top 100 most-referenced companies in Europe were created. From these time series it was found which of the 100 companies has the largest variance, and consequently the highest volatility, and the time correlation between citations and patents. From the above analysis it is concluded that there is a significant correlation, for most companies, between their citations and patents and a lag in the time series of citations in relation to the time series of patents for a short period of time, not exceeding 2 to 3 years. There is also a significant percentage of the companies that does not have a lag, which leads to the conclusion that there are many self-citations. Finally, a small study was conducted on the possible correlation of the stock price of four companies with their citations and patents, but no significant results were found

Στα πλαίσια της παρούσας διπλωματικής εργασίας γίνεται βιβλιογραφική ανασκόπηση ερευνών, οι οποίες χρησιμοποιούν αλγορίθμους μηχανικής μάθησης και τεχνητά νευρωνικά δίκτυα για την πρόβλεψη του δείκτη τιμών κρυπτονομισμάτων και συγκεκριμένα του Bitcoin. Γίνεται αναφορά για την ιστορική αναδρομή των κρυπτονομισμάτων, για τον τρόπο λειτουργίας τους, καθώς και για την τεχνολογία και τους μηχανισμούς που κρύβονται πίσω από αυτήν. Περιγράφονται με κάθε λεπτομέρεια οι παράγοντες που επηρεάζουν την πορεία των κρυπτονομισμάτων και τις συνέπειες που έχουν αυτές οι μεταβολές στην έντονη διακύμανση της τιμής τους. Αναλύεται ο τρόπος λειτουργίας των αλγορίθμων μηχανικής μάθησης και των τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται για την πρόβλεψη του συγκεκριμένου δείκτη. Στην συνέχεια επεξηγείται ο τρόπος με τον οποίο γίνεται η συλλογή, η προεπεξεργασία και η μοντελοποίηση των δεδομένων με σκοπό την χρήση τους στους αλγόριθμους μηχανικής μάθησης που εξετάζονται. Τέλος γίνεται σύγκριση των αποτελεσμάτων που παράγονται από τα μοντέλα πρόβλεψης και παραθέτονται τα συμπερασματα που προκύπτουν για συζήτηση., In the framework of this Thesis, a bibliographic review of researches, machine learning algorithm devices and artificial neural networks for the prediction of the cryptocurrency price index, specifically Bitcoin, is carried out. Reference is made to the historical background of cryptocurrencies, how they work as well as the technology and mechanisms behind it. The factors that influence the course of cryptocurrencies and the consequences that these changes have on the sharp fluctuation of their price are described in detail. The operation of machine learning algorithms and artificial neural networks used to predict this indicator is analyzed. The following explains how data is collected, pre-processed and modeled for use in the machine learning algorithms under consideration. Finally, the results produced by the forecasting models are compared and the conclusions that emerge for discussion are presented

Ο σκοπός της παρούσας εργασίας είναι η διερεύνηση της συνολοκλήρωσης και της αιτιότητας του ρυθμού ανάπτυξης του πραγματικού κατά κεφαλήν Ακαθάριστου Εγχώριου Προϊόντος, με μακροοικονομικές μεταβλητές οι οποίες αντλήθηκαν με βάση το νεοκλασικό υπόδειγμα μακροχρόνιας ισορροπίας των Swan – Solow. Αρχικά αναλύονται οι σχολές μακροοικονομικής σκέψης και παρουσιάζονται οι βασικές κατηγορίες μακροοικονομικών υποδειγμάτων, καθώς και οι βασικές έννοιες του Ακαθάριστου Εγχώριου Προϊόντος. Στη συνέχεια αναλύονται τα υποδείγματα μακροχρόνιας ισορροπίας των Harrod – Domar και των Swan – Solow, το οποίο αποτελεί εξέλιξη του πρώτου. Στο τελευταίο μέρος της εργασίας ερευνάται η στασιμότητα, η συνολοκλήρωση και η αιτιότητα κατά Granger σε δεδομένα Panel που αποτελούνται από 7 χώρες της νότιας Ευρώπης για τα έτη 1996 μέχρι 2020. Για τον καθορισμό της στασιμότητας χρησιμοποιείται ο έλεγχος μοναδιαίας ρίζας Levin – Lin – Chu. Έπειτα χρησιμοποιείται ο έλεγχος του Westerlund για την εύρεση της συνολοκλήρωσης των μεταβλητών, τα αποτελέσματα του οποίου επαληθεύουν την ύπαρξη μακροχρόνιας σύγκλισης μεταξύ του ρυθμού ανάπτυξης του πραγματικού κατά κεφαλήν ΑΕΠ και των υπολοίπων μεταβλητών του υποδείγματος Swan – Solow. Τέλος ερευνάται η αιτιότητα κατά Granger μεταξύ των μεταβλητών, με τη μέθοδο των Juodis, Karavias και Sarafidis.

Missing values are ubiquitous in time series data due to various reasons, such as sensor malfunctions and communication errors. Missing values can cause serious problems by introducing bias to the data and hindering analytics. Therefore, it is crucial to provide a sufficient strategy to handle missing data. Imputation is the process of replacing missing data with substituted values. However, there is no generic solution to treat every case of missingness, as imputation performance depends on the nature of the data. In this dissertation, we investigate several imputation techniques to recover missing values in multivariate time series in the field of agriculture. This study is implemented in a demonstrated smart farming scenario of the LoRa IoT network of the American Farm School of Thessaloniki, which consists of multiple nodes and gateways. The data used in this study were collected by the sensors of the IoT nodes, that measure environmental conditions such as air temperature, air humidity, air pressure, soil temperature and soil moisture. This study, summarizes the most popular imputation methods classified into different categories, but also points out a promising direction to address this problem with the use of deep learning models and more specifically the Transformers’ architecture. At first, we apply data profiling to unfold crucial characteristics of the considered time series and then multiple experiments are conducted considering two different case studies. In this first case, we treat each node individually as an isolated entity, while in the second case, each node is identified as a member of a larger neighborhood of adjacent nodes. We experiment with both of these cases, by investigating the performance of both baseline and state-of-the-art approaches regarding the metric of mean absolute error. Furthermore, we draw important conclusions by studying each variable separately in order to suggest the most sufficient recovery strategies depending on the nature of the data within each series., Τα δεδομένα χρονοσειρών μπορεί να περιέχουν ελλιπείς τιμές λόγω δυσλειτουργιών των συσκευών καταγραφής τους ή σφαλμάτων στο δίκτυο μετάδοσης της πληροφορίας. Οι ελλιπείς τιμές μπορεί να προκαλέσουν σοβαρά προβλήματα στην ανάλυση των δεδομένων, για αυτό είναι πολύ σημαντικό να υπάρχει μια αποτελεσματική μέθοδος για την συμπλήρωση των κενών τιμών. Ωστόσο, δεν υπάρχει μια γενική προσέγγιση για την αντιμετώπιση κάθε περίπτωσης, ενώ η απόδοση κάθε μεθόδου εξαρτάται άμεσα από τη φύση των δεδομένων. Σε αυτή την εργασία, διερευνούμε μια πληθώρα τεχνικών για την συμπλήρωση των ελλιπών τιμών σε πολυδιάστατες χρονοσειρές. Η παρούσα μελέτη υλοποιείται σε ένα πραγματικό σενάριο ευφυούς γεωργίας μέσα στο LoRa IoT δίκτυο της Αμερικανικής Γεωργικής Σχολής Θεσσαλονίκης. Τα δεδομένα που χρησιμοποιήθηκαν έχουν συλλεχθεί από τους αισθητήρες των IoT συσκευών του δικτύου, που καταγράφουν μετρήσεις για τις περιβαλλοντικές συνθήκες όπως τη θερμοκρασία, την υγρασία και την πίεση του αέρα, αλλά και τη θερμοκρασία εδάφους και το υδατικό περιεχόμενο νερού σε αυτό. Ειδικότερα, η παρούσα εργασία συνοψίζει τις πιο δημοφιλείς μεθόδους για συμπλήρωση κενών τιμών σε χρονοσειρές, με απώτερο σκοπό την ανάδειξη μιας πολλά υποσχόμενης κατεύθυνσης για την επίλυση αυτού του προβλήματος, με τη χρήση μοντέλων βαθιάς μάθησης και πιο συγκεκριμένα την αρχιτεκτονική των transformers. Στα πλαίσια αυτής της μελέτης, εφαρμόζεται αρχικά ανάλυση των δεδομένων με σκοπό τον εντοπισμό των σημαντικών χαρακτηριστικών των χρονοσειρών και την ανάδειξη συσχετίσεων μεταξύ των διαφορετικών μεταβλητών. Στη συνέχεια, θεωρώντας δύο διαφορετικές μελέτες περίπτωσης, διεξάγουμε πολλαπλά πειράματα για την επαλήθευση της αρχικής υπόθεσης. Στην πρώτη μελέτη περίπτωσης, υποθέτουμε πως κάθε ΙοΤ συσκευή λειτουργεί ως απομονωμένη οντότητα, ενώ στη δεύτερη περίπτωση, κάθε συσκευή θεωρείται μέλος ενός ευρύτερου συνόλου συσκευών που βρίσκονται τοποθετημένες σε κοντινές περιοχές. Για κάθε μια από τις παραπάνω υποθέσεις, διερευνούμε την απόδοση τόσο κάποιων παραδοσιακών όσο και των πιο σύγχρονων μεθόδων για συμπλήρωση κενών τιμών που συναντώνται στη σχετική βιβλιογραφία, θεωρώντας ως μετρική αξιολόγησης τη μέση τιμή του απόλυτου σφάλματος. Τέλος, εξάγουμε σημαντικά συμπεράσματα μελετώντας κάθε μεταβλητή ξεχωριστά, προκειμένου να προτείνουμε εξατομικευμένες στρατηγικές ανάκτησης ανάλογα με τη φύση των δεδομένων.

Η εργασία αυτή έχει ως αντικείμενο μελέτης τη διερεύνηση της σχέσης μεταξύ της εκπαίδευσης και του Ακαθάριστου Εγχώριου Προϊόντος στις χώρες Βέλγιο, Αυστρία, Πορτογαλία και Ελλάδα καλύπτοντας την περίοδο 1995 έως 2019. Η μελέτη βασίστηκε σε ετήσια δεδομένα ενώ για τη διερεύνηση της σχέσης αυτής εφαρμόστηκαν μέθοδοι και τεχνικές της οικονομετρίας. Αρχικά, για να προσδιοριστεί ποσοτικά η επίδραση της εκπαίδευσης στο Ακαθάριστο Εγχώριο Προϊόν (Α.Ε.Π.) πραγματοποιήθηκε η εκτίμηση υποδειγμάτων παλινδρόμησης. Στη συνέχεια, με σκοπό να ελεγχθεί η αξιοπιστία και η εγκυρότητα των υποδειγμάτων πραγματοποιήθηκαν διαγνωστικοί έλεγχοι. Όπως διαπιστώθηκε, τα υποδείγματα όλων των χωρών ολοκλήρωσαν με επιτυχία όλους τους ελέγχους. Τέλος, με σκοπό να προσδιοριστεί η κατεύθυνση αιτιότητας ανάμεσα στις εκπαιδευτικές μεταβλητές και το Α.Ε.Π. πραγματοποιήθηκε ο έλεγχος αιτιότητας κατά Granger. Από την εκτίμηση των υποδειγμάτων παλινδρόμησης προέκυψε ότι η σχέση ανάμεσα στις εκπαιδευτικές μεταβλητές και το Α.Ε.Π. είναι θετική και στατιστικά σημαντική για όλες τις χώρες. Ο έλεγχος αιτιότητας κατά Granger, από την άλλη, έδειξε πως η εκπαίδευση επηρεάζει το Α.Ε.Π. μόνο στις περιπτώσεις της Πορτογαλίας και της Ελλάδας ενώ αναφορικά με τη σχέση αιτιότητας προς την αντίθετη κατεύθυνση διαπιστώθηκε πως το Α.Ε.Π. επηρεάζει τις εκπαιδευτικές μεταβλητές στις χώρες Αυστρία, Πορτογαλία και Ελλάδα. Το Α.Ε.Π. του Βελγίου αποδείχτηκε πως ούτε επηρεάζει αλλά ούτε και επηρεάζεται από τις εκπαιδευτικές μεταβλητές σύμφωνα με τον έλεγχο αιτιότητας., The purpose of this study is to investigate the relationship between education and Gross Domestic Product in Belgium, Austria, Portugal, and Greece during the 1995-2019 period. The study was based on annual data while methods and techniques of econometrics were applied in order to investigate this relationship. Initially, in order to quantify the impact of education on Gross Domestic Product (GDP), estimation of regression models was carried out. Subsequently, diagnostic tests were applied to ensure the reliability and validity of the models. It was found that the models of all countries successfully completed all tests. In addition, in order to determine the direction of causality between educational variables and GDP, Granger causality tests were applied for each country. The estimation of regression models revealed that the relationship between educational variables and GDP is positive and statistically important for all countries. Granger's causality tests on the other hand, revealed that education affects GDP only in the cases of Portugal and Greece, while regarding the causality relationship in the opposite direction it was found that GDP affects educational variables in Austria, Portugal, and Greece. The GDP of Belgium has been shown to neither influence nor be influenced by educational variables according to causality tests.

Οι χρονοσειρές έχουν ευρείες εφαρμογές στον τομέα των οικονομικών όπως η εκτίμηση του ΑΕΠ, των επιτοκίων ή όπως στην περίπτωση μας, των μελλοντικών τιμών των μετοχών. Για την εκτίμηση αυτών των μεγεθών μπορούν να εφαρμοστούν διάφορα μοντέλα, λιγότερο ή περισσότερο πολύπλοκα. Παρόλο που τα οικονομικά δεδομένα κατά κύριο λόγο έχουν ένα διακριτό χαρακτήρα, τα οικονομετρικά μοντέλα συνηθίζουν να τα αντιμετωπίζουν ως συνεχείς παρατηρήσεις. Τα τελευταία χρόνια έχουν διεξαχθεί διάφορες μελέτες σχετικά με την πρόβλεψη των μελλοντικών τιμών μετοχών στο χρηματιστήριο οι οποίες καταλήγουν στην πρόταση διαφόρων τεχνικών. Μπορούμε να πούμε πως οι προεξέχουσες μέθοδοι πρόβλεψης εμπίπτουν σε δυο κύριες κατηγορίες: στις στατιστικές μεθόδους και στις τεχνικές εύκαμπτης υπολογιστικής (soft computing). Τα τεχνητά νευρωνικά δίκτυα ως μέθοδος εύκαμπτης υπολογιστικής θεωρούνται ως τα πιο εύστοχα και ευρέως χρησιμοποιούμενα προβλεπτικά μοντέλα. Αυτός είναι και ο λόγος για τον οποίο βρίσκουν συχνή εφαρμογή στην επίλυση προβλημάτων προβλεπτικής φύσεως. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, αφού γίνει ανασκόπηση της σχετικής βιβλιογραφίας, θα υλοποιηθεί μια διαδικτυακή εφαρμογή η οποία θα είναι σε θέση να παράγει προβλέψεις για μελλοντικές τιμές στο χρηματιστήριο, εκμεταλλευόμενη την προβλεπτική ικανότητα μοντέλων βασισμένων σε νευρωνικά δίκτυα.

Η σύγχρονη εποχή χαρακτηρίζεται και ως εποχή των Μεγάλων Δεδομένων (Big Data), λόγω της πρωτοφανούς κλίμακας δεδομένων που παράγονται σε καθημερινή βάση και της ανάγκης ανάλυσης και εξαγωγής χρήσιμων αποτελεσμάτων σε μια πληθώρα διάφορων τομέων. Επιτακτική είναι η ανάγκη για την παρακολούθηση χιλιάδων ροών δεδομένων προκειμένου να ληφθούν αποφάσεις. Στον χρηματιστηριακό τομέα, ένας επενδυτής επιθυμεί να εντοπίσει τις εν δυνάμει ευκαιρίες, γεγονός που προσδίδει μεγάλη σημασία στην ενασχόληση με αυτό τον τομέα, καθώς η ορθή και αποδοτική επεξεργασία χρηματιστηριακών δεδομένων καθίσταται καθοριστική για την οικονομική ευημερία μιας χώρας. Στην περίπτωση του χρηματιστηριακού τομέα, οι ροές δεδομένων-μετοχές είναι συνεχείς και μακροσκελείς. Η παρούσα διπλωματική εργασία επεξεργάζεται κατανεμημένα και παράλληλα χιλιάδες χρηματιστηριακές μετοχές, μέσω της εύρεσης υψηλών συσχετίσεων που αφορούν σύνολα δύο μετοχών. Η διαδικασία αυτή πραγματοποιείται σε πραγματικό χρόνο και στοχεύει στην εύρεση μετοχών, των k πιο όμοιων, οι οποίες είναι ζωτικής σημασίας για την πρόβλεψη άλλων, οι οποίες δίδονται ως είσοδος, προκειμένου να προβλεφθούν. Αναπόφευκτη και ουσιαστική είναι η ανάγκη για την εκτέλεση της προσέγγισης σε εύλογα χρονικά πλαίσια, στα οποία αποδίδονται οι επιθυμητές απαντήσεις με την ταυτόχρονη αύξηση του πλήθους των δεδομένων στην είσοδο. Το ζητούμενο ικανοποιείται (α) με την υλοποίηση και τη διαχείριση μιας σύνοψης στο σύστημα Synopsis Data Engine (SDE) (β) την εφαρμογή του αλγορίθμου Discrete Fourier Transform (DFT) που αποσκοπεί στη μείωση του απαιτούμενου αριθμού υποψήφιων όμοιων μετοχών (γ) την εφαρμογή του Multiple Linear Regression (MLR) μοντέλου για την πρόβλεψη των μετοχών. Για την εξαγωγή της πειραματικής διαδικασίας, ο αλγόριθμος ελέγχεται τόσο τοπικά όσο και απομακρυσμένα, πετυχαίνοντας ικανοποιητικά αποτελέσματα., The modern age is also characterized as the age of Big Data, due to the unprecedented scale of data produced daily and the need to analyze and extract useful results in a variety of different fields. The need to monitor thousands of data streams in order to make decisions is imperative. In the stock market, an investor wants to identify potential opportunities, which is very important in dealing with this sector, as the correct and efficient processing of stock market data becomes crucial for a country’s economic prosperity. In the case of the stock market, the stock-data flows are continuous and long. This dissertation processes thousands of stock market shares distributed and simultaneously, by finding high correlations that concern sets of two shares. This process is done in realtime and aims to find shares of the k most similar, which are vital to the prediction of others, which are given as input, in order to be predicted. Inevitable and essential is the need to perform the approach in a reasonable time frame, to which the desired answers are attributed while increasing the amount of data at the input. The request is satisfied by (a) implementing and managing a synopsis in the system Synopsis Data Engine (SDE) (b) the application of the Discrete Fourier Transform (DFT), which aims to reduce the required number of candidate similar stocks (c) the application of the Multiple Linear Regression (MLR) model for stock forecasting. For the extraction of the experimental process, the algorithm is checked both locally and in a computing cluster, achieving satisfactory results.

Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα παρουσιάζουν μία συνεχή αλματώδη ανάπτυξη και αποτελούν την αιχμή του δόρατος του επιστημονικού πεδίου της μηχανικής μάθησης. Η χρήση τους έχει αρχίσει να διευρύνεται, πέραν των στενών ορίων της επίλυσης προβλημάτων επεξεργασίας δεδομένων εικόνας και ήχου, σε πληθώρα τεχνολογικών εφαρμογών του σύγχρονου τεχνολογικού και οικονομικού περιβάλλοντος στο οποίο ζούμε. Μία από αυτές τις σύγχρονες εφαρμογές των τεχνητών νευρωνικών δικτύων, είναι η επεξεργασία, η ανάλυση και η πρόβλεψη χρηματιστηριακών χρονοσειρών. Με την παρούσα διπλωματική εργασία θα επιχειρήσουμε αρχικά να παρουσιάσουμε τις βασικότερες αρχιτεκτονικές νευρωνικών δικτύων. Στη συνέχεια θα προσπαθήσουμε να μοντελοποιήσουμε εκείνα που χρησιμοποιούνται ευρέως για την ανάλυση χρονοσειρών χρηματιστηριακού τύπου, χρησιμοποιώντας τη γλώσσα προγραμματισμού Python. Τέλος με τη χρήση πραγματικών δεδομένων θα προσπαθήσουμε να αξιολογήσουμε τον τρόπο με τον οποίο λειτουργούν και την απόδοση τους, με απώτερο στόχο την εξαγωγή χρήσιμων συμπερασμάτων.

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη της σχέσης μεταξύ του χρέους μιας χώρας και του γενικού χρηματιστηριακού δείκτη σε οκτώ Ευρωπαϊκές Χώρες. Η μελέτη επικεντρώνεται στη διερεύνηση ύπαρξης ή μη αιτιότητας σε βραχυχρόνιο και μακροχρόνιο ορίζοντα μεταξύ των δύο μεταβλητών. Η διαδικασία αυτή πραγματοποιείται με τη χρήση οικονομετρικών τεχνικών όπως οι έλεγχοι μοναδιαίας ρίζας των χρονοσειρών για την εξασφάλισή της στασιμότητάς τους, ο έλεγχος αιτιότητας κατά Granger (1969) για τον προσδιορισμό της βραχυχρόνιας αιτιότητας, ο έλεγχος της συνολοκλήρωσης για τον προσδιορισμό της μακροχρόνιας αιτιότητας και τέλος το υπόδειγμα διόρθωσης λαθών. Για την εφαρμογή χρησιμοποιήθηκαν ετήσιες παρατηρήσεις του λόγου δημόσιου χρέος προς ΑΕΠ και του γενικού χρηματιστηριακού δείκτη τα οποία συλλέχθηκαν από τη βάση δεδομένων «World Bank» και από την ιστοσελίδα «Yahoo Finance». Από τα αποτελέσματα της μελέτης προέκυψε ότι ο γενικός χρηματιστηριακός δείκτης αιτιάζει με μονόδρομη κατεύθυνση το χρέος στις χώρες Αυστρία και Γαλλία, ενώ προέκυψε και το συμπέρασμα ότι για τη χώρα της Πορτογαλίας το χρέος αιτιάζει τον γενικό χρηματιστηριακό δείκτη με μονόδρομη κατεύθυνση και αυτήν τη φορά. Ο έλεγχος της συνολοκλήρωσης έδειξε ότι για τις χώρες Ολλανδία, Βέλγιο, Ελλάδα και Πορτογαλία το χρέος και ο γενικός χρηματιστηριακός δείκτης μακροχρόνια ισορροπούν. Τέλος, με το υπόδειγμα διόρθωσης λαθών προέκυψε μακροχρόνια αιτιότητα με μονόδρομη κατεύθυνση για την χώρα της Πορτογαλία με το λόγο του Χρέους / ΑΕΠ να επηρεάζει τον χρηματιστηριακό δείκτη.

This study investigates empirically the price situation of the European beef market. Specifically, it utilizes weekly wholesale beef average carcass price data for fifteen European markets and applies the method of hierarchical clustering. In the frame of this application, some of the most fundamental concerns of cluster analysis are presented and discussed thoroughly, while the results of the empirical analysis suggest: First, the DTW distance measure and the choice of the ward linkage method seemed to fit better in the hierarchical agglomerative algorithm concerning our dataset. Second, there is fragmentation and weak connection among the countries of the EU concerning the beef price characteristics. Third, countries playing a major role in the beef market have the highest prices in Europe, while countries less powerful facing lower prices. Fourth, most of the same countries constituting a significant part in the European beef sector face smaller variability concerning their prices. These results relate to the integration and increasing competitiveness which the European Union has set as its goals. However, these are some first indications by simply using hierarchical analysis and further analysis to verify them is necessary. 126 σ.

Κύριος σκοπός της παρούσας διπλωματικής εργασίας είναι η παρουσίαση και ανάπτυξη της έννοιας του κινδύνου και, τελικώς, η μέτρησή του με τη χρήση της μεθόδου Value at Risk ή VaR. Στο πρώτο κεφάλαιο εξετάζεται η σημασία του χρηματιστηρίου, η εξέλιξή του στο χρόνο, τα πλεονεκτήματα, τα μειονεκτήματά του και αναλύονται οι διάφορες κατηγορίες χρηματιστηρίων. Επιπλέον, δίνεται ο ορισμός του χρηματιστηριακού δείκτη και παρουσιάζονται οκτώ ευρωπαϊκοί δείκτες. Το δεύτερο κεφάλαιο περιγράφει την έννοια του κινδύνου, τα είδη του, την ιστορική του αναδρομή, αλλά και την ανάλυσή του. Στο τρίτο κεφάλαιο πραγματοποιείται μία εισαγωγή στην αξία σε κίνδυνο (VaR). Αναπτύσσονται οι μέθοδοι υπολογισμού της, η πορεία της στο χρόνο, ο έλεγχος των υποδειγμάτων VaR, τα πλεονεκτήματα και η κριτική που της ασκείται. Το τέταρτο κεφάλαιο περιλαμβάνει την ανάλυση χρονοσειρών, την ανάπτυξη των ιδιοτήτων τους και την περιγραφή ορισμένων υποδειγμάτων χρονοσειρών. Στο πέμπτο κεφάλαιο, με τη βοήθεια δύο μεθόδων, της διακύμανσης-συνδιακύμανσης και της ιστορικής προσομοίωσης, υπολογίζονται οι τιμές της VaR των αποδόσεων των επιλεγμένων χρηματιστηριακών δεικτών. Το κεφάλαιο αυτό περιέχει τη σύγκριση μεταξύ των δύο μεθόδων και τα τελικά συμπεράσματα.

Το Τυμπάκι και η γύρω από αυτό περιοχή είναι ιδιαίτερης ιστορικής, πολίτιστικής αλλά και γεωργικής σημασίας. Από γεωργικής τουλάχιστον άποψης, μετεωρολογικοί και υδρολογικοί παράγοντες είναι μείζονος σπουδαιότητας. Στην εργασία αυτή, ασχολούμαστε τόσο με μετεωρολογικά δεδομένα (θερμοκρασία, υγρασία, ηλιακή ακτονοβολία, ταχύτητα ανέμου, βροχόπτωση) όσο και υδρολογικά (αγωγιμότητα νερού, ύψος στάθμης νερού κ.α). Τα δεδομένα (μέσες μηνιαίες τιμές) για κάθε μιά από τις παραπάνω ποσότητες, αφορούν την περίοδο Αύγουστος 2015 - Απρίλιος 2020. Προσπαθούμε να αναλύσουμε το καθένα από αυτά αρχικά σαν χρονοσειρά, κατόπιν να κάνουμε προβλέψεις και τέλος θέλουμε να δούμε αν υπάρχουν τυχόν συσχετίσεις ανάμεσά τους. Επιπλέον, γίνεται σύγκριση των δεδομένων της περιοχής του Τυμπακίου με την περιοχή της Σούδας (Χανιά)., Tympaki and the surrounding area is of historical, cultural and agricultural importance. From an agricultural point of view, meteorological and hydrological factors are of major importance. This thesis deals with both meteorological (temperature, humidity, solar radiation, wind speed, rainfall) and hydrological data (water conductivity, water level, etc.). The data (average monthly values) for each of the above quantities, refer to the period August 2015 - April 2020. We try to analyze each of these factors first as a time series, then to make predictions and finally we examine if there are any correlations between them. In addition, the data of the area of ​​Tympaki is compared with those from the area of ​​Souda (Chania).

Η παρούσα διπλωματική εργασία έχει σαν αντικείμενο της, την διερεύνηση των στοιχείων του εισερχόμενου τουρισμού στην Ελλάδα, με την διεξαγωγή μελέτης για τους τουρίστες που προέρχονται από την Ευρωπαϊκή Ένωση σαν σύνολο 27 χωρών. Στα πλαίσια της παρούσας εργασίας, αναλύθηκε ο αριθμός αφίξεων των τουριστών, έχοντας σαν πηγή προέλευσης τους την Ευρωπαϊκή Ένωση, ως σύνολο, σύμφωνα με στοιχεία τα οποία λήφθηκαν από την Τράπεζα της Ελλάδος. Τα συγκεκριμένα στοιχεία προέκυψαν από την έρευνα συνόρων, την οποία πραγματοποιεί η Τράπεζα της Ελλάδος, συνεργαζόμενη με την Ελληνική Στατιστική Αρχή (ΕΛΣΤΑΤ). Τα στοιχεία στα οποία βασίζεται το αντικείμενο της παρούσας εργασίας, αφορούν τις μηνιαίες αφίξεις τουριστών από τις 27 χώρες που ανήκουν στην Ευρωπαϊκή Ένωση, ως σύνολο, προς την Ελλάδα, για την χρονική περίοδο Ιανουάριος 2010 - Δεκέμβριος 2019. Τα εν λόγω στοιχεία, αποτέλεσαν το σύνολο των παρατηρήσεων, οι οποίες οδήγησαν στην πρόβλεψη του αριθμού των αφίξεων των τουριστών από τις 27 χώρες που ανήκουν στην Ευρωπαϊκή Ένωση, ως σύνολο, προς την Ελλάδα, για τους επόμενους 12 μήνες (Ιανουάριος 2020 – Δεκέμβριος 2020), μέσω της χρήσης του στατιστικού προγράμματος «Statgraphics Centurion XV.II». Στην παρούσα εργασία, αναφέρεται και η σημαντικότητα της επιδίωξης για αύξηση του αριθμού τουριστών από τις 27 χώρες που ανήκουν στην Ευρωπαϊκή Ένωση, αφού μία πιθανή αύξηση του μεγάλου ετήσιου όγκου εισερχόμενων τουριστών, στην Ελλάδα, από αυτές τις χώρες, είτε μεγάλης είτε μικρής κλίμακας, θα είχε την δυνατότητα να επιφέρει πολλά ευεργετικά αποτελέσματα στον Ελληνικό τουρισμό και κατ’ επέκταση, μεταξύ άλλων, στον οικονομικό, κοινωνικό και εργασιακό τομέα της χώρας μας. Η αύξηση του εισερχόμενου τουρισμού στην Ελλάδα, από τις 27 χώρες που ανήκουν στην Ευρωπαϊκή Ένωση, θα μπορούσε να εξομαλύνει, ως προς ένα βαθμό, την εποχικότητα, η οποία αναμφισβήτητα επικρατεί στον τομέα του τουρισμού και επίσης θα μπορούσε να βοηθήσει στη διεύρυνση της τουριστικής περιόδου στην χώρα μας. Συνεπώς, η διεύρυνση αυτή, απαρτίζει μια σημαντική προοπτική ώστε να δημιουργηθούν νέες επενδύσεις στον τουριστικό κλάδο και έτσι να οδηγήσουν στην μείωση της ανεργίας, όπως και την αύξηση του Α.Ε.Π. της χώρας μας.

Τα τελευταία χρόνια ο τομέας της Μηχανικής Μάθησης έχει γνωρίσει ραγδαία ανάπτυξη για το λόγο ότι υπάρχουν πλέον συστήματα με πολύ μεγάλη υπολογιστική ισχύ που μπορούν να χρησιμοποιηθούν για την αξιοποίησή των δυνατοτήτων του. Το γεγονός αυτό έχει κεντρίσει το ενδιαφέρον των ερευνητών που προσπαθούν και έχουν καταφέρει να αναπτύξουν διάφορα μοντέλα σε μια ευρεία γκάμα από εφαρμογές. Η συγκεκριμένη διπλωματική εργασία ασχολείται με ένα μεγάλο κεφάλαιο της μηχανικής μάθησης, αυτό των νευρωνικών δικτύων και συγκεκριμένα με την κατηγορία των LSTM ανατροφοδοτούμενων νευρωνικών δικτύων. Επιπλέον, κάνοντας χρήση μεθόδων ανάλυσης χρονοσειρών με την ανάπτυξη ARIMA μοντέλων, εξετάζουμε την απόδοσή τους συγκρίνοντάς τα μεταξύ τους. Για την μελέτη και την ανάπτυξή τους χρησιμοποιήθηκαν τρία διαφορετικά σύνολα δεδομένων. Το πρώτο αφορά τη πρόβλεψη ενεργειακής κατανάλωσης από ένα νοικοκυριό, το δεύτερο την πρόβλεψη της ποιότητας του αέρα για μια συγκεκριμένη περιοχή και το τρίτο αφορά επίσης την πρόβλεψη της ποιότητας αέρα, αλλά για πολλές φυσικές τοποθεσίες. Για την χρήση τους απαιτήθηκε η προετοιμασία των δεδομένων, τόσο με τη διαχείριση των κενών τιμών όσο και με το διαχωρισμό τους σε δεδομένα εκπαίδευσης και σε δεδομένα δοκιμών. Δοκιμάστηκαν διάφορες παραλλαγές στα βασικά μοντέλα ARIMA Και LSTM και καταλήξαμε στα βέλτιστα από αυτά, ενώ οι μετρικές που χρησιμοποιήθηκαν για την απόδοσή τους ήταν το RMSE και MAE. Από την ανάλυση αυτή δείχνει τις δυνατότητες επίλυσης μεγάλων και πολύπλοκων προβλημάτων με τη χρήση τόσο των αναδρομικών νευρωνικών δικτύων όσο και με μεθόδους ανάλυσης χρονοσειρών., There has been great development in the field of Machine Learning in recent years, mainly since the processing power of the machines that make use of its capabilities has greatly increased. This has sparked the interest of developers and analysts who are trying and have managed to develop different models based on machine learning techniques that apply to a wide range of applications. This thesis deals with a large chapter of machine learning science, that of neural networks and in particular the LSTM recurrent neural networks. In addition, by using timeseries analysis methods with the development of ARIMA models, we test their performance by comparing each one of them. Three different datasets were used for this study and the model’s development. The first concerns the prediction of the energy consumption by a household, the second concerns the air quality forecasting for a particular area, and the third also concerns the prediction of air quality but for many natural sites. Their use required the data preparation by managing NaN values and by separating them into training datasets and tests datasets. Several variants of the ARIMA and LSTM basic models were tested, and we reached to the best of them, while the measurements used for performance were RMSE and MAE metrics. This analysis shows the capability of both recurrent neural networks and timeseries analysis methods on solving big and complex problems like the examined.

Ο πρωταγωνιστικός ρόλος της αυτοδιοίκησης στην προώθηση της τοπικής ανάπτυξης και στη βελτίωση της ποιότητας ζωής των πολιτών, είναι αναμφισβήτητος. Τα τελευταία χρόνια ο ρόλος αυτός ενισχύεται συνεχώς μέσω μεταρρυθμίσεων και επιχειρησιακών αλλαγών που υλοποιούνται, με απώτερο στόχο τον εκσυγχρονισμό του θεσμού. Η κατάρτιση Επιχειρησιακών Προγραμμάτων, ως θεσμική υποχρέωση των Οργανισμών Τοπικής Αυτοδιοίκησης, είναι μια από τις ουσιαστικότερες μεταρρυθμίσεις που έχει γνωρίσει ο χώρος. Η παρούσα εργασία πραγματεύεται τις στρατηγικές που πρέπει να ακολουθηθούν από τους Δήμους και τους Ο.Τ.Α για τη βελτίωση των Επιχειρησιακών τους Προγραμμάτων. Για το σκοπό αυτό διεξάγεται μελέτη περίπτωσης στον Δήμο Παπάγο-Χολαργό. Επίσης στην παρούσα εργασία θα μελετηθεί ο τρόπος εφαρμογής και οι κατευθύνσεις των Στρατηγικών που καταρτίστηκαν για τη χώρα μας με σκοπό την ανάπτυξη της δυναμικής των κλάδων της και πως αυτές μπορούν να εφαρμοστούν για την περίπτωση του υπό εξέταση Δήμου.

Η παρούσα διπλωματική εργασία έχει ως σκοπό τη μελέτη των μεθόδων πρόβλεψης της μεταβλητότητας χρησιμοποιώντας υποδείγματα βασισμένα στην ανάλυση χρονοσειρών με χρηματοοικονομικές εφαρμογές και συγκεκριμένα τα υποδείγματα της ομάδας GARCH(1,1). Αρχικά στο 1ο κεφάλαιο κάνουμε μια αναφορά της σπουδαιότητας που αντανακλά η μεταβλητότητα στη σύγχρονη οικονομική ζωή. Στη συνέχεια ορίζουμε την έννοια της μεταβλητότητας και περιγράφουμε εν συντομία τις ιδιότητές της. Στο 2ο κεφάλαιο κατηγοριοποιούμε τις μεθόδους πρόβλεψης της μεταβλητότητας σύμφωνα με την κατηγοριοποίηση που προτάθηκε κατά τους Poon και Granger (2003). Ακολούθως, κάνουμε μια σύντομη περιγραφή όλων των μεθόδων πρόβλεψης και καταλήγουμε σε κάποια γενικά συμπεράσματα σύγκρισης των προβλέψεων και των τρόπων αξιολόγησης τους. Στο 3ο κεφάλαιο σκοπός μας είναι να εκτιμήσουμε τη μεταβλητότητα του μοντέλου GARCH(1,1) σε προσομοιωμένα δεδομένα χρονοσειρών χρησιμοποιώντας την R, με συνεχείς εναλλαγές των τιμών των παραμέτρων ω,α,β. Στην συνέχεια ακολουθώντας την αντίστροφη διαδικασία αξιολογούμε την δυνατότητα εκτίμησης των παραμέτρων αυτών. Τέλος, στο 4ο κεφάλαιο τιμολογούμε μέσω προσομοίωσης δικαιώματα αγοράς Ευρωπαϊκού τύπου και Ασιατικού τύπου θεωρώντας ότι η μεταβλητότητα τους περιγράφεται από ένα υπόδειγμα της ομάδας GARCH(1,1) και συγκρίνοντας το με την τιμολόγηση του κλασικού μοντέλου Black and Scholes., This dissertation deals with volatility forecasting models with applications in Finance. In the first chapter we give a recitation of the importance that reflects the volatility in the modern economic life. Then, we define the concept of volatility and briefly describe its properties. In the second chapter, we categorize several volatility fore-casting methods according to the categorization proposed by Poon and Granger (2003). In the third chapter, we evaluate volatility models via simulated time series data using R for various values of the parameters. Finally, in the last chapter, we es-timate, through Monte Carlo simulation, the fair value of specific European options assuming that their volatility is described by a GARCH(1,1) process and make a brief comparison with the corresponding Black and Scholes model (with constant volatili-ty).

Η πρόβλεψη, ανάλυση και μελέτη των χρηματοοικονομικών μεταβλητών κυρίως μετοχών καθώς και η ανάπτυξη οικονομικής στρατηγικής για το χρηματιστήριο αλλά και γενικότερα, ως αντικείμενα είναι ιδιαίτερα δημοφιλή θέματα, όχι απλώς στον ακαδημαϊκό τομέα αλλά και στον καθένα τον οποίο ενδεχόμενος να τον ενδιαφέρει το κέρδος μέσω αυτής της πρακτικής. Ο λόγος που είναι τόσο δημοφιλής αυτό το αντικείμενο είναι κάτι παραπάνω από προφανής, όλοι θέλουν να κατασκευάσουν ένα μοντέλο το οποίο θα «νικάει» την αγορά, θα προβλέπει πότε θα αυξηθεί μία μετοχή ή το αντίθετο, θα συμβουλεύει τον χρήστη πότε να πουλήσει, πότε να αγοράσει όπως και επίσης μακροπρόθεσμα από ποια μετοχή θα έχει περισσότερα κέρδη, κοκ. Η ανάλυση χρονολογικών σειρών έχει πλήθος τεχνικών που ως σκοπό έχουν την πρόβλεψη τους για την επόμενη χρονική στιγμή, είτε αυτή είναι μία μέρα είτε μία ώρα είτε μία εβδομάδα, κοκ. Όμως η ανάλυση χρονολογικών σειρών δεν μπορεί να λάβει υπόψιν της πλήθος άλλων παραγόντων οι οποίοι αποδεδειγμένα επηρεάζουν την αγορά, πχ. Ειδήσεις. Έτσι, με την ευρεία χρήση της μηχανικής μάθησης, τα τελευταία χρόνια, έχουν προταθεί και δημοσιευθεί πλήθος εργασιών οι οποίες χρησιμοποιώντας κάποια από τις μεθόδους της μηχανικής μάθησης προτείνουν κάποια μέθοδο και παρουσιάζουν τα αντίστοιχα αποτελέσματα. Προχωρώντας ένα βήμα παραπέρα, πλέον οι προβλέψεις πραγματοποιούνται με συνδυασμούς τεχνικών, πχ. νευρωνικών δικτύων με ανάλυση συναισθήματος και χρήση ιστορικών δεδομένων, με τα αποτελέσματα να βελτιώνονται συνεχώς. Η παρούσα διατριβή διαπραγματεύεται την ανάλυση, μελέτη (χτίσιμο στρατηγικής, παρουσίαση οικονομικών μεταβλητών, κτλ.) και πρόβλεψη μετοχών με την χρήση τεχνικών όπως ανάλυσης χρονολογικών σειρών και μηχανικής μάθησης. Η χρήση της μηχανικής μάθησης για το συγκεκριμένο αντικείμενο φαίνεται πως αποδίδει αρκετά καλά, με ακρίβεια στις προβλέψεις που ξεπερνούν ακόμα και το 70% σε ορισμένα μοντέλα και απλώς ικανοποιητικά για κάποια άλλα μοντέλα, σε κάθε περίπτωση όμως οι προβλέψεις είναι άνω του 50%. Επίσης ικανοποιητικές μπορούν να θεωρηθούν και οι προβλέψεις με την μέθοδο της ανάλυσης χρονοσειρών., The prediction, analysis and the study of financial time series variables, mainly stocks, as well as the development of a financial strategy for the stocks market and generally, as subject matters are very popular subjects not only in the academic sector but also for everyone who has ambitions on making profit through this practice. The reason this subject matter is so popular is more than obvious to everyone who wants to build a model which will manage to "beat" the market, forecast when a stock rises or falls, when someone should buy or sell, which stock will earn him more in the long-term period, etc. The time series analysis has plenty of techniques the purpose of which is to predict the future either concerning a day, an hour, a week, etc. However, the time series analysis cannot take a lot of other factors which have been proven to affect the market into consideration, for example the daily news. Thus, with the extensive use of machine learning techniques, a lot of new methods have been proposed and plenty of publications with relevant results have been made. Taking a step further, the predictions are now being made with combination of techniques such as neural networks with sentiment analysis and the use of historical data, with the results being increasingly promising. This thesis is about the analysis, study and prediction of stocks with the use of techniques, such as time series analysis and machine learning. The use of machine learning techniques for this subject shows that the accuracy of predictions can exceed 70% in some models while for the rest their performance is just satisfactory. In either case though predictions exceed 50%. The predictions through time series analysis can also be considered as satisfactory.

Η εργασία αυτή μελετά τη σχέση μεταξύ του Ακαθάριστου Εγχώριου Προϊόντος και της κατανάλωσης, σε δέκα ανεπτυγμένες χώρες της Ευρωπαϊκής Ένωσης. Αντικείμενο της είναι η εξέταση της οικονομικής συμπεριφοράς των μεταβλητών αυτών, δηλαδή η διερεύνηση ύπαρξης ή μη αιτιότητας μεταξύ τους και η κατεύθυνση της αιτιότητας αυτής, σε βραχυχρόνιο και μακροχρόνιο ορίζοντα. Η παρούσα έρευνα πραγματοποιείται με τη χρήση οικονομετρικών τεχνικών και θεωριών, όπως οι έλεγχοι μοναδιαίας ρίζας των χρονοσειρών, η αιτιότητα κατά Granger, η συνολοκλήρωση, καθώς και το υπόδειγμα διόρθωσης λαθών. Στα πλαίσια του εμπειρικού σκέλους της εργασίας χρησιμοποιούνται ετήσιες παρατηρήσεις του Ακαθάριστου Εγχώριου Προϊόντος και της κατανάλωσης για τις χώρες: Αυστρία, Βέλγιο, Γαλλία, Γερμανία, Ελλάδα, Ισπανία, Κύπρο, Ολλανδία, Πορτογαλία, και Φινλανδία. Τα στοιχεία των χρονοσειρών που χρησιμοποιήθηκαν καλύπτουν μια περίοδο από το 1990 μέχρι το 2015 και συλλέχθηκαν από τη βάση δεδομένων World Development Indicators (WDI), της World Data Bank. Από τα εμπειρικά αποτελέσματα της μελέτης για τ ο σ ύνολο τ ων χ ωρών π ου εξετάστηκαν προέκυψε ότι, το ΑΕΠ αιτιάζει μονόδρομα την κατανάλωση για τις χώρες Αυστρία, Βέλγιο, Γαλλία, Γερμανία, Ελλάδα και Ολλανδία, ενώ υπάρχει αμφίδρομη σχέση αιτιότητας των υπό εξέταση μεταβλητών για τις χώρες Ισπανία, Κύπρο, Πορτογαλία και Φινλανδία. Επιπλέον, σύμφωνα με τη θεωρία της συνολοκλήρωσης, προκύπτει ότι οι μεταβλητές του ΑΕΠ και της κατανάλωσης συνδέονται μεταξύ τους σε μια μακροχρόνια ισορροπία για όλες τις χώρες, με εξαίρεση την Κύπρο και την Φινλανδία. Τέλος, υπολογίστηκαν τα σφάλματα ανισορροπίας, από τα οποία προκύπτει η βραχυχρόνια σχέση ισορροπίας που συνδέει τις μεταβλητές της κατανάλωσης και του ΑΕΠ για όλες τις υπό εξέταση χώρες, εκτός της Κύπρου., This thesis explores the relationship between Gross Domestic Product and final consumption in ten developed countries of the European Union. The aim of the study is to examine the economic behavior of these variables and investigate the existence and the direction of the causality between them, in the short and long term. This research is accomplished by using econometric techniques and theories, such as Unit Root Tests, Granger causality, Cointegration and Error Correction Models. The empirical part of this work uses annual observations of the Gross Domestic Product and consumption for the countries: Austria, Belgium, France, Germany, Greece, Spain, Cyprus, Netherlands, Portugal and Finland. The time span of the research covers a period from 1990 to 2015 and the data was collected from the database World Development Indicators (WDI), of World Data Bank. Τhe empirical results of the study, for all the countries examined, indicate that there is a unilateral causal relationship from GDP to consumption, for the countries Austria, Belgium, France, Germany, Greece and the Netherlands, while there is a bilateral causal relationship of the examined variables, for the countries Spain, Cyprus, Portugal and Finland. Furthermore, according to the theory of cointegration, longrun relationships are found between the variables of GDP and consumption for all the examined countries, apart from Cyprus and Finland. Finally, the adjustment terms of the error correction models were calculated, showing that there is a shortrun relationship linking the variables of consumption and GDP for all countries, except Cyprus.

Σ’ αυτή την εργασία διερευνάται η πιθανή σχέση αιτιότητας μεταξύ των χρηματιστηριακών αγορών, και του ΑΕΠ. Η εργασία αφορά τις ΗΠΑ, Ιαπωνία και ΗΒ την περίοδο από το 1998 έως 2015. Για την διερεύνηση αυτή, έγιναν έλεγχοι στασιμότητας των υπό εξέταση χρονοσειρών καθώς και έλεγχοι συνολοκλήρωσης. Ακολούθησαν, έλεγχοι αιτιότητας κατά Granger τα αποτελέσματα των οποίων δεν κατέδειξαν σημαντική σχέση αιτιότητας ανάμεσα στις υπό εξέταση μεταβλητές., This study aspires to examine the probable causal relationship between stock markets, as expressed by the stock market index, and GDP, which served as the variables. In this effort, USA, Japan, and the UK were selected as the countries from which the sample data were collected and analyzed. The data were retrieved from Data FRED database, covering the time span from 1998 to 2015. For the statistical analysis of the sample's time series, stationarity tests and cointegration tests were used as well as Granger causality tests. The results from the undertaken tests indicated little to no significant causality between the variables examined.

This research applies unit root tests with the purpose of capturing the structural break and also specify the appropriate causality relation between stock prices and exchange rates through Granger causality process using data from Asian crisis. I tried to find evidence to support the traditional approach, namely exchange rates lead stock prices or the portfolio approach that is stock prices lead exchange rate with negative correlation. In addition the research implements cointegration test. Not only the conventional methods of Engle-Granger and Johansen test but also some more advanced test to avoid the potential estimation bias. The research has been divided into 5 sections. In the section 1 describes historical events about the Asian crisis. Section 2 presents the data and graphs. Section 3 explains the econometric framework which were used. Section 4 discusses the empirical results. At the end, in the section 5 provides a conclusion based on empirical results.

Τα τελευταία χρόνια πολλοί οργανισμοί και ερευνητικά κέντρα έχουν στη διάθεση τους μεγάλα σύνολα δεδομένων. Τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν προκειμένου να δημιουργηθούν πιο ακριβείς προβλέψεις διαφόρων οικονομικών στοιχείων. Ωστόσο κλασσικές μέθοδοι ανάλυσης πολυμεταβλητών χρονοσειρών αδυνατούν να εκμεταλευτούν το μεγάλο όγκο δεδομένων επειδή ο αριθμός των μεταβλητών είναι μεγαλύτερος από τον αριθμό των παρατηρήσεων. Το πρόβλημα αυτό μπορεί να ξεπεράσει το δυναμικό μοντέλο ανάλυσης παραγόντων με τη δημιουργία νέων μεταβλητών, οι οποίες προέρχονται από γραμμικούς συνδυασμούς των αρχικών και συνοψίζουν αρκετά ικανοποιητικά την πληροφορία που περιέχουν οι αρχικές μεταβλητές. Στόχος της εργασίας αυτής ήταν αρχικά η θεωρητική περιγραφή ενός από τα διαθέσιμα μοντέλα δυναμικής ανάλυσης παραγόντων και έπειτα η εφαρμογή της μεθοδολογίας που θα περιγράψουμε σε ένα σύνολο μετρήσεων, το οποίο θα αποτελείται από πραγματικά δεδομένα του ελληνικού χώρου. Συγκεκριμένα, κατασκευάσαμε ένα μοντέλο που να προβλέπει το ΑΕΠ και το συγκρίναμε με ένα υπόδειγμα ARIMA. Η σύγκριση έγινε χρησιμοποιώντας ως κριτήρια αξιολόγησης τα MSFE, MAE και MAPE. Το υπόδειγμα δυναμικής παραγωντικής ανάλυσης εκτιμήθηκε σε δύο στάδια. Στο πρώτο εντοπίσαμε κοινούς παράγοντες μεταξύ των διαθέσιμων μεταβλητών, χρησιμοποιώντας την κλασσική μέθοδο ανάλυσης παραγόντων. Στο δεύτερο οι παράγοντες αυτοί αποτέλεσαν βασικό μέρος του μοντέλου χώρου-καταστάσεων που χρησιμοποιήσαμε για την πραγματοποίηση προβλέψεων. Η προσαρμογή του μοντέλου ήταν καλύτερη από αυτή του ARIMA γεγονός το οποίο επιβεβαιώνει την χρησιμότητα του δυναμικού μοντέλου ανάλυσης παραγόντων στην πραγματοποίηση οικονομικών προβλέψεων., In recent years many institutions and research centres have at their disposal large datasets. Those data can be exploited in order to obtain more accurate forecasts of various economic data. However, traditional methods of multivariate time series analysis cannot exploit the large volume of data due to the large number of variables compared to the number of observations. That problem can be overcome by the use of a dynamic factor model, which creates new variables as linear functions of the original variables. Those new variables can summarize effectively the information held by the original ones. The aim of this thesis was firstly to theorytically describe one of the available dynamic factor models and secondly to apply this methodology on a greek dataset. In particular, we have constructed a model which predicts GDP and we have compared that model to an ARIMA model. The comparison was made using the criteria MSFE, MAE and MAPE. The dynamic factor model was estimated in two steps. In the first step we extracted the factors using classic factor analysis. In the second step those factors were an important part of the state-space model used in order to obtain forecasts. The fitting of that model was better compared to the fitting of the ARIMA model, which confirms the fact that dynamic factor models can be useful in forecasting economic data.

Η παρούσα εργασία αποτελεί μία προσπάθεια διερεύνησης της εφαρμογής των στατιστικών εργαλείων στο μάνατζμεντ κρουαζιερόπλοιων και επιβατηγών πλοίων. Αφορμή για την επιλογή του συγκεκριμένου θέματος, στάθηκε η ιδιαίτερα σημαντική συμβολή του κλάδου της ελληνικής εμπορικής ναυτιλίας στην οικονομική ανάπτυξη της Ελλάδας, αλλά και η ανταγωνιστικότητα που ο κλάδος αυτός προσδίδει στη χώρα, ιδιαίτερα στα πλαίσια της Ευρωπαϊκής Ένωσης (αναφέρεται ότι η ελληνική εμπορική ναυτιλία συνεισφέρει με περίπου 50% στις ναυτιλιακές δραστηριότητες της ΕΕ). Η παρούσα εργασία διαρθρώνεται ως εξής: Στο 1ο κεφάλαιο πραγματοποιείται μία εισαγωγική παρουσίαση της εμπορικής ναυτιλίας και του μεγέθους της συμβολής της στην ανάπτυξη της ελληνικής οικονομίας. Στο 2ο κεφάλαιο πραγματοποιείται μία συνοπτική παρουσίαση των δύο κλάδων της εμπορικής ναυτιλίας, όπως αυτοί προκύπτουν ανάλογα με τον τύπο της παρεχόμενης μεταφορικής υπηρεσίας, καθώς και των χαρακτηριστικών τους. Στο 3ο κεφάλαιο παρουσιάζεται η μεθοδολογία η οποία ακολουθήθηκε για την διεξαγωγή της πρωτογενούς έρευνας, όπως επίσης και τα ερευνητικά εργαλεία τα οποία χρησιμοποιήθηκαν για τους σκοπούς αυτής. Στο 4ο κεφάλαιο παρουσιάζονται τα αποτελέσματα της περιγραφικής ανάλυσης των αποτελεσμάτων, τα οποία αφορούν στο προφίλ των συμμετεχόντων και στις αξιολογήσεις τους για τις υπηρεσίες των ναυτιλιακών και εταιρειών κρουαζιέρας. Ακόμα, διερευνάται η σχέση μεταξύ διαφόρων δημογραφικών στοιχείων και του τύπου ταξιδιού που οι επιβάτες επιλέγουν να πραγματοποιήσουν, καθώς και η σχέση μεταξύ κριτηρίων επιλογής εταιρείας και κατηγορίας επιβατών. Στο 5ο κεφάλαιο εξετάζεται η διαφορά στις αξιολογήσεις των υπηρεσιών ναυτιλιακών εταιρειών μεταξύ Ελλήνων και ξένων επιβατών πλοίων ακτοπλοϊκών γραμμών. Στο 6ο κεφάλαιο εξετάζεται η πορεία της επιβατικής κίνησης 10 δρομολογιακών γραμμών και διενεργούνται προβλέψεις για τα δύο επόμενα έτη. Στο τελευταίο κεφάλαιο παρουσιάζονται τα βασικά συμπεράσματα της έρευνας, όπως επίσης και προτάσεις βελτίωσης των παρεχόμενων υπηρεσιών ακτοπλοϊκών εταιρειών και εταιρειών κρουαζιέρας., The present dissertation aims at investigating the implementation of statistic tools on cruise ships and passenger ships management. The topic was selected on the basis of the contribution of the Greek merchant shipping in the country’s economic growth, as well as the competition this accomplishes for the country within the European Union (it is reported that the Greek merchant shipping contributes an estimated 50% to EU’s total maritime activity). The dissertation is structured as follows: Chapter 1 includes a summarized presentation of merchant shipping and the extent of its contribution to the growth of the Greek economy. Chapter 2 presents a summary of merchant shipping’s two branches, as occurred from the type of the transport service provided and their relative characteristics. Chapter 3 introduces the methodology used in order to collect the data using specially developed questionnaires, and the main tools used to analyze the data. The results of the descriptive analysis are portrayed in Chapter 4, referring to the participants’ profile and their evaluations of the services provided by the businesses in question. Furthermore, this chapter includes an investigation of the relationship between various demographic elements and the type of voyage chosen by passengers, followed by an investigation of the correlation of the criteria deployed in choosing the preferred company by type of passenger. Chapter 5 examines the difference arisen in the companies’ evaluations by Greek and foreign passengers. The course of passenger traffic for 10 itineraries is indicated in Chapter 6, accompanied with projections for the period 2012-2014. The last chapter includes the study’s basic results, as well as some suggestions towards the maritime and cruise companies in enhancing the services provided.

Στις μέρες μας η πρόβλεψη χρονοσειρών και μάλιστα αποτελούμενων από χρηματοοικονομικά δεδομένα αποτελεί αναμφισβήτητα αντικείμενο εκτεταμένης ερευνητικής δραστηριότητας. Πράγματι, στη χρηματοοικονομική επιστήμη η ανάλυση χρονοσειρών εφαρμόζεται ευρέως για την πρόβλεψη των τιμών των διεθνών και εθνικών χρηματαγορών αλλά και σε εφαρμογές που σχετίζονται με τη διαδικασία πρόβλεψης είτε χρηματοοικονομικών κρίσεων είτε επενδυτικών στρατηγικών. Είναι γεγονός, ακόμη, ότι τα σύγχρονα συστήματα υποστήριξης λήψης αποφάσεων βασίζονται σε πληροφόρηση που προέρχεται κυρίως από δομημένα δεδομένα αγνοώντας τα αδόμητα, τα οποία δύναται να προσφέρουν σημαντική πληροφόρηση. Αυτό, σε συνδυασμό με τη ραγδαία ανάπτυξη της τεχνολογίας συντέλεσε στη δημιουργία νέων δυναμικών εργαλείων μετατροπής των αδόμητων δεδομένων σε δομημένη πληροφορία, η οποία σε συνδυασμό με τη πληροφόρηση από τα δομημένα θα ωφελήσει τους επενδυτές, προκειμένου για λήψη βέλτιστης απόφασης. Την ανάγκη αυτή καλείται να καλύψει ένας νέος κλάδος της επιστήμης, η εξόρυξη δεδομένων, που αποτελεί ένας συνδυασμό ετερόκλητων επιστημονικών πεδίων όπως της στατιστικής, της μηχανικής μάθησης, της θεωρίας της πληροφορίας και των υπολογιστικών διαδικασιών. Στη παρούσα εργασία παρουσιάζουμε ένα καινοτόμο σύστημα επεξεργασίας υβριδικών δεδομένων προκειμένου για πρόβλεψη της τάσης τραπεζικών μετοχών του Χρηματιστηρίου Αθηνών για το έτος 2014. Για το λόγο αυτό εξετάζονται τρεις εφαρμογές του συστήματος σε διαφορετικά σύνολα δεδομένων (αριθμητικά, κειμενικά και υβριδικά) και αξιολογούνται προκειμένου να εντοπιστεί η αποτελεσματικότερη εφαρμογή. Στο σύστημα εφαρμόζονται τεχνικές κατηγοριοποίησης και συσταδοποίησης σε σύνολα κατηγορικών δεδομένων ενώ συγχρόνως παρουσιάζονται οι βασικότερες έννοιες και μέθοδοι που χρησιμοποιούνται κατά τη διάρκεια της κατηγοριοποίησης, ομαδοποίησης και πρόβλεψης. Σκοπός της εργασίας είναι εξηγώντας τις μεθόδους της εξόρυξης δεδομένων, να αναδειχθεί η χρησιμότητά της στα χρηματοοικονομικά δεδομένα καθώς και η σημασία της για την εξαγωγή σημαντικών συμπερασμάτων από αδόμητα και δύσκολα στη χρήση τους δεδομένα., Nowadays, time series prediction, especially in the case of financial time series, is undoubtedly a matter of widespread research activity. Indeed, in finance, time series analysis is applied widely not only for the purposes of predicting prices of international and national markets but also it is used for the prediction of financial crises or / and investment strategies. It is also a fact that modern decision support systems are based on information extracted from structured data. So, by neglecting the unstructured data may provoke the loss of significant information. This, in combination with the rapid development of technology has led to the need for new dynamic tools that will help transform unstructured data into structured information, which when combined with information extracted from structured data will help investments to make the best decision. A new field of science, called data mining, is going to supply that need. It is about a combination of different sciences such us statistics, machine learning, information theory and computational procedures. In this thesis we introduce an innovative data processing system in order to predict the trend of banking shares of Athens Stock Exchange for the year 2014. Therefore, are examined three applications of the system in different data sets (arithmetic, text and hybrid) and then are evaluated so as to identify the more effective one. In this system are applied classification and clustering techniques in categorical data while presented the most basic concepts and methods used by classification, clustering and prediction techniques in data mining. The aim of this thesis is by explaining data mining methods, to demonstrate not only its usefulness in finance but also its significance for drawing meaningful conclusions from unstructured and difficult in use data.

Ο τίτλος της εργασίας είναι « Εκτίμηση αξίας της επιχείρησης του Hilton με τη χρήση ταμειακών ροών . Η αποτίμηση της επιχείρησης θα γίνει με τη χρήση προεξόφλησης ταμειακών ροών αφού πρώτα υλοποιηθεί χρηματοοικονομική ανάλυση των οικονομικών στοιχείων των τελευταίων πέντε ετών της επιχείρησης , όπου θα προκύψουν χρήσιμα συμπεράσματα . Η αποτίμηση θα μπορούσε να υλοποιηθεί με διαφορετικές μεθόδους , τα αρνητικά όμως κέρδη που κατέγραψε η επιχείρηση δύο συναπτά έτη , οδήγησαν στην χρήση της μεθόδου αποτίμησης με προεξόφληση ταμειακών ροών . Η αποτίμηση έχει πολύ μεγάλη σημασία για κάθε επιχείρηση καθώς ορίζει τη συνολική της αξία και παρουσιάζει την οικονομική εικόνα της επιχείρησης στους μετόχους και σε όλους τους ενδιαφερόμενους . Ο ρυθμός ανάπτυξης των επιχειρήσεων έχει ιδιαίτερη σημασία καθώς καθορίζει τα μελλοντικά οικονομικά στοιχεία που θα προκύψουν και πρέπει να εκτιμηθεί με τη μέθοδο που έχει το ορθότερο αποτέλεσμα. Η μέθοδος που θα χρησιμοποιηθεί για την εκτίμηση του ρυθμού ανάπτυξης είναι το ποσοστό επανεπένδυσης , δηλαδή τι ποσοστό από τα καθαρά έσοδα που παρουσιάζει η επιχείρηση επενδύονται πίσω σε αυτήν προκειμένου να εξασφαλιστεί η μακροχρόνια ευημερία της . Επιπλέον θα υλοποιηθεί πρόβλεψη για τις ταμειακές ροές του Α΄εξαμήνου του 2015 , δηλαδή του επόμενου έτους της εξεταζόμενης πενταετίας , με το μοντέλο ιστορικών προβλέψεων SARIMA και τα αποτελέσματα που θα προκύψουν θα συγκριθούν με τα πραγματικά οικονομικά στοιχεία.

παρούσα διπλωματική εργασία διερευνά την ύπαρξη σχέσεων αιτιότητας μεταξύ αποδόσεων μετοχών του τραπεζικού κλάδου και χρηματιστηριακών δεικτών των χωρών που αυτές διαπραγματεύονται. Ο προσδιορισμός της αιτιώδους σχέσης πραγματοποιείται με την εφαρμογή οικονομετρικών τεχνικών, όπως τα διανυσματικά αυτοπαλίνδρομα υποδείγματα, η αιτιότητα κατά Granger και οι συναρτήσεις αιφνίδιων αντιδράσεων. Για την μελέτη επιλέχθηκαν δύο τραπεζικές μετοχές, μία ηγέτιδα του κλάδου και μία μικρομεσαίας κεφαλαιοποίησης, από τέσσερις χώρες της Ευρωπαϊκής Ένωσης. Σε ότι αφορά τις τραπεζικές μετοχές του Ηνωμένου Βασιλείου και της Ισπανίας, δεν προέκυψε ύπαρξη σχέσεων αιτιότητας με τους δείκτες FTSE 100 και ΙΒΕΧ 35 αντίστοιχα. Από την άλλη μεριά, στις περιπτώσεις της Γαλλίας και της Ιταλίας, η εξέλιξη της τιμής των δεικτών, CAC 40 και FTSEMIB αντίστοιχα, αποτελεί σημαντικό παράγοντα στη διαμόρφωση της τιμής των μετοχών που αφορούν τις μικρομεσαίες τράπεζες., Τhis study investigates the existence of causality between the returns of European Banks and market indices. The determination of the causality is done by using contemporary econometric models, specifically by using Vector Autoregressive models (VAR models), Granger causality and impulse response functions. The banks chosen are from countries that are members of the European Union; one categorized as large cap and one as small cap. Regarding the U.K. and Spain equities, the empirical results of the study indicate that for all the cases examined, the indices, FTSE 100 and Ibex 35 respectively, do not affect the returns of the equities. On the other hand, in France and Italy is proven that the indices CAC 40 and FTSEMIB affect the small cap equities returns.

Η παρούσα διπλωματική μελέτη εξετάζει τη μορφολογία του ελληνικού τραπεζικού συστήματος, αναδεικνύει τα ιδιαίτερα χαρακτηριστικά του, και προσπαθεί, μέσα από τα πλαίσια της διεθνούς χρηματοπιστωτικής κρίσης, να υπογραμμίσει τις επιπτώσεις στη λειτουργία του. Στο πρώτο κεφάλαιο περιγράφεται το ελληνικό τραπεζικό σύστημα από την ένταξή του στην ΟΝΕ και από το 2000 μέχρι και την έλευση της δημοσιονομικής κρίσης το 2009. Εν συνεχεία περιγράφεται το ελληνικό τραπεζικό σύστημα την περίοδο 2010-2014. Τέλος αναλύεται το PSI. Στο δεύτερο κεφάλαιο εξετάζεται ο μηχανισμός μετάδοσης της νομισματικής πολιτικής και το κανάλι του τραπεζικού δανεισμού. Συγκεκριμένα αναλύεται το παραδοσιακό κανάλι επιτοκίου, το κανάλι συναλλαγματικών ισοτιμιών, το κανάλι τιμών των περιουσιακών στοιχείων και το κανάλι του τραπεζικού δανεισμού. Στο τρίτο κεφάλαιο γίνεται αναλυτική παρουσίαση χαρακτηριστικών της Ελληνικής οικονομίας ενώ ταυτόχρονα παρουσιάζονται διάφοροι δείκτες για την κατάσταση του τραπεζικού συστήματος. Το τέταρτο κεφάλαιο επικεντρώνεται στην κατασκευή ενός μοντέλου πρόβλεψης του Ελληνικού ΑΕΠ μέσω του όγκου των δανείων που έχουν δοθεί από τις Ελληνικές τράπεζες στην Ελληνική οικονομία. Εξετάζεται η στασιμότητα των χρονοσειρών, υπολογίζεται ο αριθμός των lags και κατόπιν δημιουργείται το μοντέλο πρόβλεψης., This diploma study examines the morphology of the Greek banking system, highlights its particular characteristics, and attempts through the framework of the international financial crisis, to highlight the implications for the operation. The first chapter describes the Greek banking system by joining EMU from 2000 until the advent of the financial crisis in 2009. Subsequently, it is described the Greek banking system in the period 2010-2014. Finally it is analyzed the PSI. In the second chapter is examined the transmission mechanism of monetary policy and the bank lending channel. Specially, is analyzed the traditional interest rate channel, the exchange rate channel, the channel values of the assets and the bank lending channel. The third chapter describes the full features of the Greek economy while presents several indicators on the state of the banking system. The fourth chapter focuses on the construction of a Greek GDP forecasting model by the volume of loans granted by Greek banks in the Greek economy. It is examined the stagnation of time series, calculated the number of lags and then the predictive model is created.

Με αφορμή την τελευταία κρίση που βιώνει ολόκληρος ο κόσμος, η παρούσα εργασία εξερευνά τα κατάλληλα μοντέλα που δεν επηρεάζονται από την κρίση και που αποτελούν αποδοτικές λύσεις για έναν επενδυτή διεθνών χαρτοφυλακίων. Κεντρική ιδέα είναι η ανάδειξη της σημασίας των έγκυρων προβλέψεων, η συμβολή των οποίων θα ήταν ζωτικής σημασίας για την αποφυγή της κρίσης. Για τον σκοπό αυτό η εργασία χωρίζεται σε δυο μέρη, στο θεωρητικό και σε μια εμπειρική έρευνα. Στο θεωρητικό αναλύεται η θεωρία των χρονοσειρών, αφού πρώτα προηγηθεί μια ιστορική αναδρομή σε σχετικές μελέτες. Συγκεκριμένα, αναλύονται θεωρίες σχετικά με την ύπαρξη μοναδιαίας ρίζας, συνολοκλήρωσης, σχέσεων αιτιότητας και θεωρίες χαρτοφυλακίου. Στο δεύτερο μέρος αναλύεται η έρευνα. Αντικείμενό της είναι η εξέταση της συμπεριφοράς των δεικτών DAX, CAC 40, FTSE 100, NIKKEI και S&P 500. Τα στοιχεία που συλλέχθηκαν αναφέρονται σε μια περίοδο 23 ετών, από το 1991 έως το 2014, και είναι μηνιαία. Η ανάλυσή τους βασίστηκε στην θεωρία που αναπτύχθηκε προηγούμενα. Αφού πρώτα υποβλήθηκαν σε ελέγχους ύπαρξης μοναδιαίας ρίζας, συνολοκλήρωσης και αιτιότητας,συνδυάστηκαν για να σχηματίσουν τα μοντέλα εκείνα που ήταν πιο σταθερά και έδιναν τις καλύτερες προβλέψεις. Η αξιολόγηση των μοντέλων έγινε με την μέτρηση της διακύμανσης των κατάλοιπων. Τα αποτελέσματα ήταν ποικίλα και διαφορετικά για τον κάθε δείκτη. Όλοι τους παρουσίασαν διαφορετική συμπεριφορά και η επιλογή ενός μοντέλου θα εξαρτηθεί και από τις προτιμήσεις των επενδυτών., Six years after the recession has begun, most countries have not recovered. Analysts all over the world had not anticipated the strength and the length of the crisis. A matter, that arose, was the importance of accurate and valid forecasting. Therefore, that research has as main topic the construction of the models that best fit the accurate and valid forecasting. There are two parts of the study. The first one introduces the theory and cites all the theories from the oldest to the latest. Issues like unit roots, stationary, cointegration and causality are referred to. The second part analyzes the results of an empirical study .The study investigates the options an investor has choosing from a variety of portfolios and the impact indicators such as DAX, CAC 40, FTSE 100, S&P 500 and ΝΙΚΚΕΙ have on them. All the indicators have been tested for unit roots, cointegration and Granger causality. Data had been collected for 23 years on a monthly basis. The results varied. Not all indicators can be put together in one portfolio. There are a lot of combinations, from which an investor enjoys profits that it depends on him which one to choose.

Η παρούσα διπλωματική εργασία μελετά την πρόβλεψη χρονοσειρών με τεχνικές μεθόδους πρόβλεψης και με την χρήση του στατιστικού εργαλείου R, με στόχο την εφαρμογή των διαφόρων μοντέλων πρόβλεψης στον τομέα των logistics. Με βάση όλα τα παραπάνω, μελετώνται αρχικά οι βασικές σημασιολογικές έννοιες που αφορούν τη διαδικασία της πρόβλεψης και το πόσο σημαντική είναι στις μέρες μας. Επιπλέον μελετώνται οι διαφορετικές μέθοδοι πρόβλεψης ανάλογα με τον αριθμό και την ποιότητα των διαθέσιμων παρατηρήσεων με συγκεκριμένα παραδείγματα. Παράλληλα δίνεται ιδιαίτερη βαρύτητα στην πιο σημαντική μέθοδο πρόβλεψης που είναι η ανάλυση των χρονοσειρών με την βοήθεια του στατιστικού εργαλείου R. Αναλύονται και παρουσιάζονται πλήρως όλα τα μοντέλα ανάλυσης χρονοσειρών,καθώς επίσης και τα αποτελέσματα απο την εφαρμογή τους σε πραγματικά παραδείγματα.Επίσης γίνεται γραφική απεικόνιση των αποτελεμάτων και έλεγχος σφαλμάτων πρόβλεψης Τέλος, γίνεται μια προσπάθεια διεξαγωγής συμπερασμάτων ως προς την καταλληλότητα και την αξιοπιστία του κάθε μοντέλου πρόβλεψης σύμφωνα με τις κατηγορίες χρονοσειρών., This dissertation studies the forecast time series with time series techniques and methods using the statistical tool R, in order to implement the varius forecasting models in logistics. Based on the above, initially studied the basic concepts concerning the process of forecasting and the importance nowadays. Moreover studied different forecasting methods depending on the number and quality of available data with specific examples. While special attention is given to the most important method of forecasting is the analysis of time series with the help of statistical tool R. Analysed and fully presented all time series analysis model ,as well as the results of their application to real examples. In addition we have graphical representation of the results and control forecasting errors.

Η παρούσα μεταπτυχιακή διπλωματική εργασία χωρίζεται σε δύο μέρη και μελετά κατά το πρώτο τις μεθόδους πρόβλεψης και κυρίως την ανάλυση χρονοσειρών, με στόχο την εφαρμογή κατά το δεύτερο μέρος των διαφόρων μοντέλων στην πρόβλεψη μελλοντικών τιμών της ζήτησης σε εταιρεία καλλυντικών. Πιο συγκεκριμένα, στο πρώτο μέρος, κατά το πρώτο κεφάλαιο γίνεται εισαγωγή στις ανάγκες και τις χρήσεις των προβλέψεων, καθώς επίσης και στην υφιστάμενη κατάσταση των ποσοτικών και των τεχνολογικών προβλέψεων και τα στάδια που απαιτούνται για τη διαμόρφωσή τους. Στη συνέχεια, στο δεύτερο κεφάλαιο, γίνεται επισκόπηση των υπαρχουσών τεχνικών και μοντέλων πρόβλεψης, ανάλογα με τον αριθμό και την ποιότητα των διαθέσιμων δεδομένων και γίνεται ανάλυση των ποιοτικών μεθόδων πρόβλεψης. Στο τρίτο κεφάλαιο, δίνεται ιδιαίτερη βαρύτητα στην ανάλυση χρονοσειρών και εξετάζονται οι μέθοδοι του απλού μέσου όρου, του απλού κινητού μέσου και του απλού σταθμικού μέσου με παράθεση παραδειγμάτων για κάθε περίπτωση. Αντίστοιχα, στο τέταρτο κεφάλαιο αναλύεται η μέθοδος πρόβλεψης της απλής εκθετικής εξομάλυνσης με παράθεση παραδειγμάτων. Το πέμπτο κεφάλαιο ασχολείται με την αξιολόγηση του σφάλματος στην πρόβλεψη, με τα κυριότερα μέσα μέτρησης του σφάλματος, καθώς επίσης και την εκθετική εξομάλυνση βάσει τάσης και εποχικότητας, ενώ στο έκτο κεφάλαιο εξετάζεται η μέθοδος πρόβλεψης του γραμμικού κινητού μέσου με χρήση στη συνέχεια παραδειγμάτων για την καλύτερη κατανόηση της συγκεκριμένης τεχνικής. Στο έβδομο κεφάλαιο, στο τέλος του Α’ μέρους του θεωρητικού πλαισίου των μεθόδων πρόβλεψης, μελετώνται οι γραμμικές εκθετικές εξομαλύνσεις μίας παραμέτρου του μοντέλου Brown, διπλής παραμέτρου του μοντέλου Holt και σε εποχικά δεδομένα μέσω του μοντέλου Winters με χρήση παραδειγμάτων. Τέλος, στο Β’ μέρος γίνεται εφαρμογή και σύγκριση των μεθόδων του κινητού μέσου -3 & -5 περιόδων, της απλής εκθετικής εξομάλυνσης και της μεθόδου Winters στην εταιρεία L’oreal Hellas Α.Ε., με σκοπό την πρόβλεψη της ζήτησης κωδικών στους τομείς περιποίησης επιδερμίδας, maquillage, αρώματος και εποχιακού κωδικού. Μέσα από αυτή την σύγκριση των μεθόδων πρόβλεψης προκύπτουν ενδιαφέροντα συμπεράσματα, τόσο για τη χρήση και επιλογή της καταλληλότερης μεθόδου, όσο και για την περαιτέρω εξέλιξή της., This master thesis is divided into two parts. In the first part, the forecasting methods, especially the analysis of time series methods are given, whereas, in the second part a few of these forecasting models are applied in the field of cosmetics and more specifically in L'oreal Hellas S.A. More specifically, the first chapter is an introduction to the needs and uses of provisions, as well as an analysis of the current situation of the quantitative and technological forecasting methods and the steps needed to reach their configuration. Furthermore, in the second chapter, an overview of existing techniques and predictive models, depending on the available number and quality of data and an analysis of the qualitative forecasting methods is taken place. In the third chapter, special attention is given to the analysis of time series and the methods of simple average, simple moving average and simple weighted average with accompanied with examples for each case. Similarly, the fourth chapter analyzes the prediction method of the simple exponential smoothing with examples. The fifth chapter deals with the evaluation of error in forecasting, with the main means of error measurement along with the exponential smoothing with trend and seasonality, while the sixth chapter examines the forecasting method of linear moving average using examples, in order to better comprehend the technique. The seventh chapter, at the end of the first part of the theoretical framework of forecasting methods, studies linear exponential smoothing method with one parameter of the Brown model, with two parameters of the Holt model and seasonal data through the Winters model using examples. Finally, in the second part the methods of moving average -3 & -5 periods of single exponential smoothing and Winters method are applied and compared for the company L'oreal Hellas S.A., in order to predict the demand for codes in the fields of skin care, maquillage, perfume and seasonal code. Through this comparison of prediction methods interesting conclusions arise, not only for the use and selection of the most appropriate method but also for further development.

76 σ., Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Ναυτική και Θαλάσσια Τεχνολογία και Επιστήμη”, Η παρούσα διπλωματική έχει σαν σκοπό μια προτεινόμενη αρχιτεκτονική κατασκευής ενός πολυπαραμετρικού παρατηρητηρίου για μεγάλα βάθη στην περιοχή ΝΔ της Πελοποννήσου μέσα από την παρουσίαση των υπαρχόντων συστημάτων παρακολούθησης του βενθοπελαγικού οικοσυστήματος και βιοποικιλότητας, των επικίνδυνων γεωλογικών και γεωφυσικών φαινομένων όπως σεισμοί, υποθαλάσσιες κατολισθήσεις, κυμάτων tsunami, την επίδραση των κλιματικών αλλαγών και πως αυτές επιδρούν στο βαθύ υδρολογικό περιβάλλον και το οικοσύστημα, την υδροακουστική και βιοακουστική παρατήρηση πελαγικών ιχθυοπληθυσμών και θαλάσσιων θηλαστικών με έμφαση στην αναγκαιότητα ύπαρξης τους για συνεχείς μετρήσεις και τροφοδοσία σε μοντέλα ανάλυσης και πρόβλεψης για μια πληρέστερη και αξιόπιστη αποτίμηση των περιβαλλοντικών αλλαγών. Η διπλωματική κινείται μέσα στα πλαίσια αρχιτεκτονικής όπως αυτά διαγράφονται από την Ευρωπαϊκή υποδομή EMSO για υποθαλάσσια συστήματα μακροχρόνιας παρατήρησης και αποστολής δεδομένων σε πραγματικό χρόνο., An architectural recommendation for the realisation of a multiparametric deep sea observatory in the area South West of the Peloponese guided within the framework of the EMSO for long term, real time, monitoring.

Η διδακτορική διατριβή εντάσσεται στο πεδίο της Υπολογιστικά Υποστηριζόμενης Συνεργατικής Μάθησης, ΥΥΣΜ (Computer Supported Collaborative Learning, CSCL). ‘Eχει ως στόχο την ανάπτυξη και πρόταση μίας μεθόδου για την αυτοματοποιημένη ανάλυση, ταξινόμηση και αξιολόγηση της ποιότητας συνεργατικών εκπαιδευτικών δραστηριοτήτων. Αφενός βασίζεται σε ευρήματα ποιοτικής έρευνας και αφ’ ετέρου συνδυάζει την χρήση τεχνικών μηχανικής μάθησης και ανώτερων μαθηματικών που χρησιμοποιούνται ευρέως σε πλήθος άλλων ερευνητικών πεδίων, μελετώντας τους τρόπους που μπορούν να υιοθετηθούν και να συνεισφέρουν στο πεδίο της Υπολογιστικά Υποστηριζόμενης Συνεργατικής μάθησης (χρονοσειρές). Βασικό μέλημα είναι η προτεινόμενη μέθοδος να επιτρέπει την εξαγωγή χρήσιμων συμπερασμάτων για την ποιότητα των συνεργατικών δραστηριοτήτων με τρόπο ποσοτικό και αυτόματο ώστε να είναι δυνατή η χρήση της σε μεγάλα σύνολα δεδομένων. Η παρούσα μελέτη έδειξε πως η ποιότητα της συνεργασίας αποτυπώνεται στον τρόπο που κατανέμεται η συνεργατική δραστηριότητα στον χρόνο και η χρήση χρονοσειρών αποτυπώνει τα ιδιαίτερα χαρακτηριστικά της συνεργασίας με ικανοποιητικό τρόπο. Η μέθοδος αξιολογήθηκε ξεχωριστά αλλά και σε αντιπαράθεση με αντίστοιχα μοντέλα και μεθόδους. Η προτεινόμενη μέθοδος πλεονεκτεί ως προς την απλότητα κατασκευής και λειτουργίας ενώ διαπιστώθηκε με στατιστικά σημαντικό τρόπο η εγκυρότητα των αποτελεσμάτων της. H μέθοδος δεν απαιτεί την ολοκλήρωση της δραστηριότητας αλλά ενδείκνυται και για την αξιολόγησή της σε πραγματικό χρόνο. Οι χρονοσειρές δραστηριότητας περιγράφουν ικανοποιητικά βασικές συνεργατικές διαστάσεις που ορίζονται ως «χαμηλού επιπέδου» όπως η Επικοινωνία και η Κοινή Επεξεργασία Πληροφορίας και οι οποίες θεωρείται ότι αντικατοπτρίζονται ιδιαίτερα στην διαλογική δραστηριότητα που εκτυλίσσεται μεταξύ των συνεργατών. Από την άλλη, για διαστάσεις ανωτέρου επιπέδου που αντιπροσωπεύονται από πιο περίπλοκες δομές αλληλεπίδρασης, όπως για παράδειγμα ο Συντονισμός και η Διαπροσωπική Σχέση μεταξύ συνεργαζόμενων μερών, οι χρονοσειρές δραστηριότητας δεν καταφέρνουν να τις αποτυπώσουν ικανοποιητικά. Αποδείχθηκε στατιστικά πως για την συγκεκριμένη περίπτωση συνεργατικών μαθησιακών δραστηριοτήτων οι ουσιαστικές αλληλεπιδράσεις μεταξύ των χρηστών που υποδηλώνουν μεταφορά και οικοδόμηση κοινής γνώσης και κοινού τόπου επικοινωνίας αλλά και σχέσεις αιτιότητας, είναι δυνατόν να ανιχνευθούν μέσα σε χρονικά παράθυρα μικρού μεγέθους, της τάξης των τριάντα δευτερολέπτων. Σύνθετες δομές που αποτυπώνουν την δημιουργία στρατηγικής προσέγγισης ή διαμοιρασμού χώρου και χρόνου και απαιτούν μεγαλύτερους χρόνους εξέλιξης, δεν είναι δυνατόν να αποτυπωθούν επαρκώς με αυτή την προσέγγιση. Η έρευνα αυτή δεν αποσκοπεί κατά κανένα τρόπο στην αντικατάσταση της ανθρώπινης κρίσης ή γενικότερα του ανθρώπινου παράγοντα αλλά αντίθετα επιδιώκει να υποστηρίξει το έργο του. The PhD thesis is part of ongoing research in the field of Computer-Supported Collaborative Learning (CSCL). The main contribution of this thesis is to design and propose a method for the automatic analysis, classification and evaluation of the quality of collaboration of learning activities. On one hand, the method is based and reflects the findings of qualitative research and on the other hand, it uses machine learning algorithms and statistical methods that allow the quantitative analysis of data. We used modeling techniques widely used in other scientific fields (time series) and studied how they can be used in CSCL to contribute new knowledge. The objective of the study is to implement a method for the representation, classification and evaluation of collaborative activities. It was shown that the quality of collaboration and its fundamental aspects is portrayed in the way the activity itself is distributed in time. It was shown through visualizations and statistical analysis that time series allow the effective representation of collaboration and its qualitative characteristics. The classification and evaluation method that was proposed is supported by a machine-learning model. The model was further evaluated as an automated rater of collaboration quality and compared to other similar models. The advantage of the proposed method over others is the simple structure and low-cost, as well as the potential to be used in real-time. The proposed approach attempts to describe and portray the interaction of users through their concurrent activity on different but common workspaces. For that reason we make use of common, basic activity metrics and time series. The time series of activity can describe successfully low level construct such as Communication and Information Processing. For more advanced and complicated constructs however, such as Coordination and Interpersonal Relationship, time series could not capture adequately the qualitative characteristics and underlying mechanisms. This finding comes in agreement with similar studies that point out the need of combined analysis methods that will use in combination content analysis techniques and natural language processing. It was also shown that in the particular context, the meaningful interactions that point to constructive collaboration, successful knowledge building and reciprocal activity can be mapped in small time frames, of about 30 seconds. More complicated structures that signify e.g. strategy planning and effective coordination, take more time to unfold and therefore cannot be traced in such small time frames. This study does not attempt in any way to substitute or overcome the human judgment and human factor, either in the analysis or teaching activity. On the contrary, we believe that the teacher cannot be replaced by automated tools and methods but should be supported and empowered.

76 σ., Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Ναυτική και Θαλάσσια Τεχνολογία και Επιστήμη”, Η παρούσα διπλωματική έχει σαν σκοπό μια προτεινόμενη αρχιτεκτονική κατασκευής ενός πολυπαραμετρικού παρατηρητηρίου για μεγάλα βάθη στην περιοχή ΝΔ της Πελοποννήσου μέσα από την παρουσίαση των υπαρχόντων συστημάτων παρακολούθησης του βενθοπελαγικού οικοσυστήματος και βιοποικιλότητας, των επικίνδυνων γεωλογικών και γεωφυσικών φαινομένων όπως σεισμοί, υποθαλάσσιες κατολισθήσεις, κυμάτων tsunami, την επίδραση των κλιματικών αλλαγών και πως αυτές επιδρούν στο βαθύ υδρολογικό περιβάλλον και το οικοσύστημα, την υδροακουστική και βιοακουστική παρατήρηση πελαγικών ιχθυοπληθυσμών και θαλάσσιων θηλαστικών με έμφαση στην αναγκαιότητα ύπαρξης τους για συνεχείς μετρήσεις και τροφοδοσία σε μοντέλα ανάλυσης και πρόβλεψης για μια πληρέστερη και αξιόπιστη αποτίμηση των περιβαλλοντικών αλλαγών. Η διπλωματική κινείται μέσα στα πλαίσια αρχιτεκτονικής όπως αυτά διαγράφονται από την Ευρωπαϊκή υποδομή EMSO για υποθαλάσσια συστήματα μακροχρόνιας παρατήρησης και αποστολής δεδομένων σε πραγματικό χρόνο., An architectural recommendation for the realisation of a multiparametric deep sea observatory in the area South West of the Peloponese guided within the framework of the EMSO for long term, real time, monitoring., Παρασκευάς Ν. Παγώνης

209 σ., Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Σχεδιασμός και Κατασκευή Υπόγειων Έργων”, Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι μελέτη συσχέτισης των μηχανικών χαρακτηριστικών των πετρωμάτων με τις χαρακτηριστικές παραμέτρους της δύναμης κοπής. Το πρώτο κεφάλαιο αποτελεί την εισαγωγή, στην συνέχεια στο δεύτερο κεφάλαιο περιγράφονται οι βασικές θεωρίες κοπής, στο τρίτο κεφάλαιο υπάρχει θεωρία χρονοσειρών, στο τέταρτο περιέχεται το κομμάτι της ανάλυσης καταγραφών της δύναμης κοπής, ενώ στο πέμπτο παρατίθενται τα τελικά συμπεράσματα, The objective of the current thesis is to correlate the mechanical properties of rocks with selected parameters of the cuting forces. The first chapter is an introduction to the subject, the second one includes the basic cutting theories, in the third chapter theory about timeseries is described, in the fourth chapter the part of cutting forces' analysis is presented and in the fifth chapter the final conclusions are given

Η σχέση μεταξύ της ανεργίας και του πληθωρισμού είναι ένα θέμα που έχει προσεγγίσει την προσοχή των οικονομολόγων την τελευταία περίοδο περισσότερο από κάθε άλλη χρονική στιγμή στο παρελθόν. Συγκεκριμένα, έχει μεγάλο ενδιαφέρον, η διερεύνηση του κατά πόσο επηρεάζει η μία μεταβλητή τις τιμές της άλλης. Σκοπός της διπλωματικής εργασίας είναι να γίνει μια προσπάθεια για να προσδιοριστεί αν το ένα μέγεθος αιτιάζει το άλλο ή αιτιάζεται από αυτό ή ακόμα αν είναι ανεξάρτητα. Η διενέργεια ελεγχόμενου πειράματος για τον προσδιορισμό της σχέσης αιτίας – αιτιατού γίνεται με τον έλεγχο κατά Granger και εφαρμόζωντας τη VAR ανάλυση. Αρχικά, πριν προκύψουν τα εμπειρικά αποτελέσματα, ορίστηκαν τα μεγέθη του πληθωρισμού και της ανεργίας, έγινε αναφορά στα αίτια και στα αποτελέσματά τους, παρουσιάστηκαν τα δεδομένα στις επιλεγμένες χώρες μέσω διαδοχικών χρονοδιαγραμμάτων και έγινε θεωρητική περιγραφή της ανάλυσης χρονοσειρών και της μεθοδολογίας που ακολουθήθηκε στο εμπειρικό μέρος της εργασίας. Τα εμπειρικά αποτελέσματα περιλαμβάνουν τους ελέγχους μοναδιαίας ρίζας, την επιλογή του κατάλληλου VAR υποδείγματος σε κάθε χώρα, τους ελέγχους αιτιότητας και τη γραφική απεικόνιση των συναρτήσεων αιφνίδιων αντιδράσεων και έδειξαν συν τοις άλλοις ότι υπάρχει αιτιώδης σχέση, ανάμεσα στην ανεργία και στον πληθωρισμό σε επιλεγμένες χώρες. Συγκεκριμένα, η κατεύθυνση της σχέσης αιτιότητας είναι από την ανεργία προς τον πληθωρισμό σε οχτώ από τις δεκαπέντε χώρες που συμπεριλήφθηκαν στην ανάλυση. Σε τέσσερις χώρες δεν υπάρχει καμία σχέση αιτιότητας, σε μία η σχέση αιτιότητας είναι αμφίδρομη, ενώ μόλις σε δύο ο πληθωρισμός αιτιάζει την ανεργία.

Στην παρούσα διπλωματική υλοποιήθηκε ένα προγραμματιστικό περιβάλλον σε Matlab το οποίο θα μας επιτρέπει να αναλύσουμε σήματα (χρονοσειρές) με δύο τεχνικές: (Ι) με την τεχνική της εμβάπτισης του σήματος σε χώρους φάσεων υψηλών διαστάσεων με σκοπό τον υπολογισμό της φράκταλ (μορφοκλασματικής) διάστασης του ελκυστή που παράγεται στο χώρο φάσεων, χρησιμοποιώντας το θεώρημα εμβάπτισης του Takens και τη μέθοδο Grassberger & Procaccia, και (ΙΙ) με μοντελοποίηση του σήματος με τη μέθοδο NARMAX, ενσωματώνοντας Extended Kalman Filters και τη Θεωρία Διαμελισμού του Λαϊνιώτη για την εύρεση της τάξης (βαθμού πολυπλοκότητας) των NARMAX μοντέλων. Σκοπός της διπλωματικής είναι η σύγκριση των αντίστοιχων αποτελεσμάτων για διάφορες κατηγορίες σημάτων, με σκοπό να διαπιστωθεί κατά πόσο η φράκταλ διάσταση του σήματος σχετίζεται με την τάξη των NARMAX μοντέλων του σήματος. In this thesis, we implemented in Matlab, a programming environment which allows us to analyze signals (time series) with two techniques: (I) with the technique of immersion of the signal in high-dimensional phase space to calculate the fractal dimension of the attractor generated in phase space, using the theorem of Takens and the method of Grassberger & Procaccia, and (II) signal modeling method NARMAX, incorporating Extended Kalman Filters and the Laynioti partition theorem for finding the degree of complexity of NARMAX models. The aim of the thesis is the comparison of the results for various categories of signals, in order to determine if the fractal dimension of the signal is associated with the degree of complexity of NARMAX models of the signal.

Includes bibliography (p. [83]-86). Number of sources in the bibliography: 42 Thesis (Ph. D.) -- University of Cyprus, Faculty of Pure and Applied Sciences, Department of Mathematics and Statistics, May 2008. The University of Cyprus Library holds the printed form of the thesis. Η παρούσα διατριβή έχει δύο κυρίως σκοπούς: 1) Να αναπτύξει μια μέθοδο αναδειγματοληψίας που να δημιουργεί ψευτοπραγματώσεις του τοπικού περιοδογράμματος μιας τοπικά στάσιμης στοχαστικής ανέλιξης. 2) Να προταθεί ένας έλεγχος της υπόθεσης ότι η χρονικά μεταβαλλόμενη φασματική πυκνότητα έχει μια παραμετρική ή ημιπαραμετρική δομή. Ο έλεγχος μπορεί να εφαρμοστεί και σε χρονικά μεταβαλλόμενες ανελίξεις αυτοπαλινδρόμισης. Η μέθοδος αναδειγματοληψίας που προτείνεται δημιουργεί ψευδοαντίγραφα του τοπικού περιοδογράμματος και συνδυάζει μια παραμετρική προσέγγιση στο χρόνο με μια απαραμετρική προσέγγιση φάσματος. Εφαρμόζουμε πρώτα τοπικά ένα χρονικά μεταβαλλόμενο μοντέλο αυτοπαλινδρόμισης ώστε να περιγράψουμε τα βασικά χαρακτηριστικά της ανέλιξης. Ένας τοπικά υπολογισμένος, μη παραμετρικός διορθωτής στο φασματικό πεδίο χρησιμοποιείται μετά για να βελτιωθεί η παραμετρική αυτοπαλινδρόμιση. Διερευνούμε τις ασυμπτωτικές ιδιότητες της μεθόδου στις οικογένειες των τοπικών φασματικών μέσων και των τοπικών στατιστικών πηλίκο. Προσομοιώσεις εξετάζουν τη δυνατότητα της μεθόδου να δίνει καλούς εκτιμητές των ποσοτήτων που μας ενδιαφέρουν. Η ανάλυση ολοκληρώνεται με την παρουσίαση και εφαρμογή της μεθόδου σε πραγματικά δεδομένα. Ο έλεγχος υποθέσεων που προτείνεται, βασίζεται στην απόσταση L2 του σταθμισμένου τοπικού περιοδογράμματος από την αναμενόμενη τιμή του κάτω από τη μηδενική υπόθεση. Η ασυμπτωτική κατανομή της ελεγχοσυνάρτησης που προτείνεται έχει υπολογιστεί κάτω από τη μηδενική υπόθεση για μια μεγάλη οικογένεια ημιπαραμετρικών μοντέλων τοπικά στάσιμων στοχαστικών ανελίξεων. Γίνεται ανάλυση του ελέγχου της ύπαρξης μιας χρονικά μεταβαλλόμενης αυτοπαλινδρόμισης. Για την καλύτερη προσέγγιση της κατανομής της ελεγχοσυνάρτησης κάτω από τη μηδενική υπόθεση προτείνεται μια μέθοδος αναδειγματοληψίας και αποδεικνύεται ότι αυτή οδηγεί στα σωστά αποτελέσματα. Προσομοιώσεις παρουσιάζουν την αποτελεσματικότητα της μεθοδολογίας αναδειγματοληψίας και την αποδοτικότητα του ελέγχου. The aim of this thesis is twofold: 1) To develop a method to bootstrap the local periodogram of a locally stationary process and 2) To propose a test of the hypothesis that the time varying spectral density of a locally stationary process has a semiparametric structure including that of the time varying autoregressive moving average model. The bootstrap method proposed generates pseudo local periodogram ordinates by combining a parametric time and non-parametric frequency domain bootstrap approach. We first fit locally a time varying autoregressive model in order to capture the essential characteristics of the underlying process. A locally calculated non-parametric correction is then used in order to improve upon the locally parametric autoregressive fit. We investigate the asymptotic properties of the bootstrap method proposed applied to the class of local spectral means and local ratio statistics. Some simulations demonstrate the ability of our method to give accurate estimates of the quantities of interest and an application to an earthquake data set is presented. Concerning the test introduced, it is based on the L2-distance of a kernel smoothed version of the local periodogram rescaled by the estimated semiparametric, time varying spectral density. The asymptotic distribution of the test statistic proposed is derived under the null hypothesis. We consider the problem of testing the presence of a time-varying autoregressive structure. A bootstrap procedure is proposed and theoretically justified. Some simulations illustrate that the bootstrap provides a considerably better approximation of the distribution of the test statistic under the null hypothesis than the normal approximation.

38 σ., Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες στην Οικονομία”, Στην εργασία αυτή, στο πλαίσιο της μαθηματικής και υπολογιστικής ανάλυσης της φυσικής γλώσσας, διεξάγουμε και υλοποιούμε μία εντροπική ανάλυση γραπτών κειμένων σε μία αναπαράσταση χρονοσειρών μήκους λέξεων. Η εντροπία του Shannon και η γενίκευσή της με την μορφή των n-gram εντροπιών βρίσκονται να είναι μεγέθη ευαίσθητα στην αναγνώριση του είδους της γλώσσας (ελληνικά, αγγλικά, φιλανδικά κ.α.) και του είδους του κειμένου (πολιτικά και οικονομικά άρθρα, αθλητικά νέα και λογοτεχνία) για την εν λόγω αναπαράσταση. Η διαφορά στις εντροπίες αποδίδεται στην ομοιομορφία και την παρουσία πλατό στις κατανομές πιθανότητας των μηκών των λέξεων αλλά και στις διαφορετικές συσχετίσεις μεταξύ μηκών γειτονικών λέξεων στις υπό μελέτη χρονοσειρές. Με την σειρά της, η παρουσία των πλατό στις κατανομές πιθανότητας αντανακλά βασικές γλωσσολογικές ιδιότητες των διαφόρων γλωσσών, όπως τον πλούτο της κλιτικής μορφολογίας και την παραγωγικότητα της γλώσσας (μέσα από μηχανισμούς όπως είναι η παραγωγή, η σύνθεση και η σύμμειξη (blending))., In the present work and in the context of mathematical and computational study of natural language, we carry out an entropic analysis of natural language texts in a word-length representation. Shannon's entropy and its generalization in the form of n - gram entropy are found to be characteristic of the language (english, greek, finnish e.t.c.) as well as of the text genre (political and economical news, sports and literature). This is attributed to changes in the probability distribution of the lengths of single words (specifically the crucial role of the uniformity of probabilities of having words with length between five and ten) and the different word-length correlations in the studied symbolic series. On its behalf, the presence of the plateaus in the probability distributions reflects basic linguistic properties of the languages such as richness of inflectional morphology and productivity of a language through mechanisms like agglutination and synthesis of words., Μαρία Δ. Καλημέρη

Includes bibliography (p. [83]-86). Number of sources in the bibliography: 42 Thesis (Ph. D.) -- University of Cyprus, Faculty of Pure and Applied Sciences, Department of Mathematics and Statistics, May 2008. The University of Cyprus Library holds the printed form of the thesis. Η παρούσα διατριβή έχει δύο κυρίως σκοπούς: 1) Να αναπτύξει μια μέθοδο αναδειγματοληψίας που να δημιουργεί ψευτοπραγματώσεις του τοπικού περιοδογράμματος μιας τοπικά στάσιμης στοχαστικής ανέλιξης. 2) Να προταθεί ένας έλεγχος της υπόθεσης ότι η χρονικά μεταβαλλόμενη φασματική πυκνότητα έχει μια παραμετρική ή ημιπαραμετρική δομή. Ο έλεγχος μπορεί να εφαρμοστεί και σε χρονικά μεταβαλλόμενες ανελίξεις αυτοπαλινδρόμισης. Η μέθοδος αναδειγματοληψίας που προτείνεται δημιουργεί ψευδοαντίγραφα του τοπικού περιοδογράμματος και συνδυάζει μια παραμετρική προσέγγιση στο χρόνο με μια απαραμετρική προσέγγιση φάσματος. Εφαρμόζουμε πρώτα τοπικά ένα χρονικά μεταβαλλόμενο μοντέλο αυτοπαλινδρόμισης ώστε να περιγράψουμε τα βασικά χαρακτηριστικά της ανέλιξης. Ένας τοπικά υπολογισμένος, μη παραμετρικός διορθωτής στο φασματικό πεδίο χρησιμοποιείται μετά για να βελτιωθεί η παραμετρική αυτοπαλινδρόμιση. Διερευνούμε τις ασυμπτωτικές ιδιότητες της μεθόδου στις οικογένειες των τοπικών φασματικών μέσων και των τοπικών στατιστικών πηλίκο. Προσομοιώσεις εξετάζουν τη δυνατότητα της μεθόδου να δίνει καλούς εκτιμητές των ποσοτήτων που μας ενδιαφέρουν. Η ανάλυση ολοκληρώνεται με την παρουσίαση και εφαρμογή της μεθόδου σε πραγματικά δεδομένα. Ο έλεγχος υποθέσεων που προτείνεται, βασίζεται στην απόσταση L2 του σταθμισμένου τοπικού περιοδογράμματος από την αναμενόμενη τιμή του κάτω από τη μηδενική υπόθεση. Η ασυμπτωτική κατανομή της ελεγχοσυνάρτησης που προτείνεται έχει υπολογιστεί κάτω από τη μηδενική υπόθεση για μια μεγάλη οικογένεια ημιπαραμετρικών μοντέλων τοπικά στάσιμων στοχαστικών ανελίξεων. Γίνεται ανάλυση του ελέγχου της ύπαρξης μιας χρονικά μεταβαλλόμενης αυτοπαλινδρόμισης. Για την καλύτερη προσέγγιση της κατανομής της ελεγχοσυνάρτησης κάτω από τη μηδενική υπόθεση προτείνεται μια μέθοδος αναδειγματοληψίας και αποδεικνύεται ότι αυτή οδηγεί στα σωστά αποτελέσματα. Προσομοιώσεις παρουσιάζουν την αποτελεσματικότητα της μεθοδολογίας αναδειγματοληψίας και την αποδοτικότητα του ελέγχου. The aim of this thesis is twofold: 1) To develop a method to bootstrap the local periodogram of a locally stationary process and 2) To propose a test of the hypothesis that the time varying spectral density of a locally stationary process has a semiparametric structure including that of the time varying autoregressive moving average model. The bootstrap method proposed generates pseudo local periodogram ordinates by combining a parametric time and non-parametric frequency domain bootstrap approach. We first fit locally a time varying autoregressive model in order to capture the essential characteristics of the underlying process. A locally calculated non-parametric correction is then used in order to improve upon the locally parametric autoregressive fit. We investigate the asymptotic properties of the bootstrap method proposed applied to the class of local spectral means and local ratio statistics. Some simulations demonstrate the ability of our method to give accurate estimates of the quantities of interest and an application to an earthquake data set is presented. Concerning the test introduced, it is based on the L2-distance of a kernel smoothed version of the local periodogram rescaled by the estimated semiparametric, time varying spectral density. The asymptotic distribution of the test statistic proposed is derived under the null hypothesis. We consider the problem of testing the presence of a time-varying autoregressive structure. A bootstrap procedure is proposed and theoretically justified. Some simulations illustrate that the bootstrap provides a considerably better approximation of the distribution of the test statistic under the null hypothesis than the normal approximation.