Χρήση τεχνικών μηχανικής μάθησης στις αυτοματοποιημένες συναλλαγές : μια ανασκόπηση

Abstract

Στην παρούσα πτυχιακή εργασία γίνεται μια προσπάθεια ανασκόπησης των εφαρμογών τεχνικών μηχανικής μάθησης στη χρηματιστηριακή αγορά. Οι συνολικά έξι μελέτες που παρουσιάζονται αξιοποιούν έναν μεγάλο όγκο πραγματικών χρηματοοικονομικών δεδομένων, όπως το «βιβλίο οριακών εντολών» (limit order book) με μικρό χρονικό βήμα, ως δεδομένα εκπαίδευσης σε συστήματα μηχανικής μάθησης, με σκοπό την πρόβλεψη συναλλακτικών ευκαιριών στη χρηματιστηριακή αγορά σε μια μελλοντική χρονική στιγμή. Χρησιμοποιήθηκαν αρχιτεκτονικές πολυεπίπεδων νευρωνικών δικτύων (MLP), μηχανών διανυσμάτων υποστήριξης πολλαπλών κλάσεων (SVM), επαναλαμβανόμενων νευρωνικών δικτύων (RNN), συστημάτων μακράς βραχυπρόθεσμης μνήμης (LSTM) και συνελικτικών νευρωνικών δικτύων (CNN) ή και συνδυασμός των παραπάνω σε ποικίλα σύνολα δεδομένων. Σαν αποτέλεσμα, η αρχιτεκτονική των CNN φαίνεται να υπερισχύει των άλλων τεχνικών στην πρόβλεψη των τιμών των χρηματιστηριακών προϊόντων, λόγω της δυναμικής φύσης του χρηματιστηριακού περιβάλλοντος.