Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/15638
Author: Ταλαττίνης, Κυριάκος
Title: Μέθοδοι πρόβλεψης για ευκαιρίες χαμηλού ρίσκου στα ανταλλακτήρια στοιχημάτων.
Date Issued: 2012
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορική
Supervisor: Στεφανίδης, Γεώργιος
Abstract: Η διπλωματική αυτή εργασία αναφέρεται στις διάφορες μεθόδους που μπορούν να χρησιμοποιηθούν για ευκαιρίες χαμηλού ρίσκου στα ανταλλακτήρια στοιχημάτων και προτείνει ένα βελτιωμένο εργαλείο για την αγορά αυτή. Το BetBot ως εργαλείο μας συνδυάζει στατιστικές μεθόδους τεχνητής νοημοσύνης, οι οποίες οδηγούν σε ένα ισχυρό, αυτοματοποιημένο μοντέλο πρόβλεψης του τελικού αποτελέσματος. Το εργαλείο αυτό είναι υλοποιημένο κλιμακωτά, ώστε να παρέχει πλήρη δυνατότητα μελλοντικής επέκτασης. Για την αύξηση της απόδοσης του εργαλείου μας, προβήκαμε στη λύση της παραλληλοποίησης, η οποία μας απέδωσε σημαντικά συμπεράσματα. Όσον αφορά τις στρατηγικές πρόβλεψης, έχουν γίνει διάφορα πειράματα και διάφορες δοκιμές, οι οποίες βασίζονται στη μηχανική μάθηση. Πιο συγκεκριμένα, χρησιμοποιήθηκαν για τη μάθηση χωρίς επίβλεψη τεχνικές συσταδοποίησης και κανόνες συσχέτισης. Όσον αφορά τη μάθηση με επίβλεψη, χρησιμοποιήθηκαν νευρωνικά δίκτυα και δέντρα αποφάσεων. Τελικά, καταλήξαμε ότι για να υπάρξει βελτιστοποίηση κέρδους, θα πρέπει να χρησιμοποιηθεί η μάθηση με ευαισθησία στο κόστος, η οποία βρέθηκε να είναι η αποδοτικότερη σε σχέση με τις υπόλοιπες. Μία άλλη προτεινόμενη στρατηγική είναι η στρατηγική Arbitrage. Οι Arbitrage κι απαλλαγμένες από ρίσκο εμπορικές ευκαιρίες θεωρείται ότι αξιοποιούνται γρήγορα μετά την εμφάνισή τους. Υπάρχουν, ωστόσο, πολλές αναφορές που αναδεικνύουν την ανεπάρκεια των αγορών ανταλλακτηρίου στοιχήματος η οποία μπορεί να οδηγήσει σε κερδοφόρες επενδύσεις. Η τρέχουσα εργασία εστιάζει στον εντοπισμό των υφιστάμενων προτύπων που προσφέρουν ευκαιρίες για χαμηλού ρίσκου ανταλλαγές στοιχήματος. Με βάση τη στατιστική ανάλυση, εντοπίσαμε μια τάξη περιπτώσεων, όπου η arbitrage ανταλλαγή στο εσωτερικό της αγοράς είναι δυνατή. Το μοντέλο πρόβλεψης έχει βελτιωθεί με συσταδοποίηση και τεχνικές τεχνητής νοημοσύνης, οι οποίες στοχεύουν στη μεγιστοποίηση του κέρδους μακροπρόθεσμα.
This thesis refers to the various methods that can be used for low risk opportunities to betting exchanges and proposes an enhanced tool for this market. Our BetBot tool combines statistical methods of artificial intelligence, leading to a powerful, automated model prediction of the final result. This tool is implemented incrementally, in order to be fully scalable and to provide opportunity for future expansion. Regarding prediction strategies, there have been several experiments and tests that are based on machine learning. More specifically, clustering techniques and association rules have been used for unsupervised learning. As for supervised learning, neural networks and decision trees have been used. Ultimately, we concluded that, in order to optimize the profit, cost-sensitive learning should be used, which was found to be more efficient than the other techniques. Another recommended strategy is Arbitrage strategy. Arbitrage and risk-free trading opportunities are considered to be exploited quickly after they appear. There are many references though, that highlight the inefficiency of betting exchange markets which can lead to profitable investments. Current work focuses on identifying existing patterns that offer opportunities for low-risk bet-trading. Based on statistical analysis, we identified a class of cases where inter-market arbitrage/trading is possible. The prediction model has been enhanced by clustering and artificial intelligence techniques aiming at maximizing the profit on the long-term.
Keywords: Ανταλλακτήριο στοιχημάτων
Arbitrage
Συναλλαγές χαμηλού κινδύνου
Μοντέλα πρόβλεψης
Δέντρα απόφασης
Κανόνες συσχέτισης
Νευρωνικά δίκτυα
Μάθηση με ευαισθησία στο κόστος
Betting exchange
Low-risk trading
Prediction models
Decision trees
Association rules
Neural networks
Cost-sensitive learning
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2012.
Appears in Collections:ΠΜΣ Εφαρμοσμένης Πληροφορικής (M)

Files in This Item:
File Description SizeFormat 
TalattinisKyriakosMsc2012.pdf1.45 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons