Elend, Lars (2024) Advances in Computational Intelligence with Applications in Finance and Molecule Design. PhD, Universität Oldenburg.

Preview

Volltext (11Mb)

Abstract

Diese Dissertation nutzt Techniken der Computational Intelligence in drei verschiedenen Bereichen. Im inanzsektor ist die Vorhersage zukünftiger Unternehmensgewinne entscheidend für Investitionen. Daher werden verschiedene Deep-Learning-Modelle eingesetzt, um Quartals- und Tagesaktiendaten zu analysieren, mit dem Ziel, genauere Vorhersagen als traditionelle Analystenschätzungen zu liefern. Der zweite Abschnitt befasst sich mit der Entwicklung von antiviralen Medikamenten, insbesondere mit der Unterbindung der viralen Replikation durch Proteaseinhibitoren. Es werden zwei neuartige evolutionäre Algorithmen zur Identifizierung geigneter roteaseinhibitoren vorgestellt, die durch Molekulardynamik-Simulationen weiter untersucht werden. Der letzte Abschnitt führt die Convolutional Self-Organizing Map für die Datenvisualisierung unter Berücksichtigung von High-Level-Features ein. Zur Bewertung der semantischen Korrelationen innerhalb der Daten werden mehrere Metriken vorgeschlagen.

["eprint_fieldname_title_plus" not defined]

Fortschritte in der Computational Intelligence mit Anwendungen in den Bereichen Finanzen und Moleküldesign

["eprint_fieldname_abstract_plus" not defined]

This dissertation leverages computational intelligence techniques across three distinct fields. Within the finance industry, forecasting a company's future earnings is crucial for investment decisions. To this end, various deep learning models are employed to analyze quarterly and daily stock data, aiming for more accurate predictions than traditional analyst estimates. The second section explores antiviral medication development, focusing on halting viral replication through protease inhibitors. It introduces two novel evolutionary algorithms for identifying potent protease inhibitors, whose efficacy is further examined through molecular dynamics simulations. The final segment introduces the Convolutional Self-Organizing Map framework for data visualization, emphasizing the extraction of high-level features. This section also proposes multiple metrics to assess the semantic correlations within the data.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Moleküldesign, evolutionäre Mehrzieloptimierung, SARS-CoV-2, Finanzprognose, Datenvisualisierung
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	12 Feb 2024 11:02
Last Modified:	12 Feb 2024 11:02
URI:	https://oops.uni-oldenburg.de/id/eprint/6175
URN:	urn:nbn:de:gbv:715-oops-62565
DOI:
Nutzungslizenz:

Actions (login required)

View Item