| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Stamatopoulos, Iason | |
| dc.contributor.author | Σταματόπουλος, Ιάσων | |
| dc.date.accessioned | 2025-01-28T07:08:18Z | |
| dc.date.available | 2025-01-28T07:08:18Z | |
| dc.date.issued | 2025-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17380 | |
| dc.description.abstract | Οι χρηματοπιστωτικές αγορές έχουν εξελιχθεί σε εξαιρετικά πολύπλοκα συστήματα, όπου
οι περίπλοκες δυναμικές των συναλλαγών καταγράφονται στο βιβλίο οριακών εντολών (LOB),
ένα κρίσιμο στοιχείο της μικροδομής της αγοράς. Η παρούσα διπλωματική εργασία διερευνά την
πρόκληση της ανάλυσης δεδομένων LOB για την εξαγωγή ουσιαστικών προτύπων και προβλε
πτικών σημάτων, αξιοποιώντας τεχνικές μηχανικής μάθησης για την αντιμετώπιση της εγγενούς
πολυπλοκότητας και μη γραμμικότητας των δεδομένων. Το έργο μας εστιάζει στη γεφύρωση του
χάσματος μεταξύ των στιγμιοτύπων του LOB και των λεπτομερέστερων ανά-εντολή δεδομένων
(MBO- Market By Order), τα οποία προσφέρουν πιο πλούσιες πληροφορίες αλλά συχνά δεν είναι
διαθέσιμα ή δεν αξιοποιούνται στην ακαδημαϊκή έρευνα.
Για αυτόν τον σκοπό, αναπτύξαμε έναν άπληστο αλγόριθμο για την ανακατασκευή συνθε
τικών δεδομένων ΜΒΟ από στιγμιότυπα υψηλής συχνότητας του LOB. Αυτό το ανακατασκευα
σμένο σύνολο δεδομένων χρησιμεύει ως βάση για τη δημιουργία ενός διανύσματος χαρακτηρι
στικών εμπνευσμένου από προηγούμενες μελέτες, ενσωματώνοντας τα συνθετικά δεδομένα για
τον υπολογισμό χρονικών χαρακτηριστικών που στοχεύουν στη σύλληψη χρονικών δυναμικών.
Τα χαρακτηριστικά που προκύπτουν αποσκοπούν στην καλύτερη κατανόηση της δραστηριότη
τας της αγοράς και στην υποστήριξη εφαρμογών όπως η πρόβλεψη σημάτων alpha, ένα κρίσιμο
στοιχείο στη χρηματοοικονομική μοντελοποίηση.
Μετην απλοποίηση της πρόσβασης σε λεπτομερείς πληροφορίες της αγοράς και τη διαπίστω
ση της δυνατότητας εξαγωγής χρονικών δυναμικών από ακατέργαστα δεδομένα LOB, αυτή η
διπλωματική εργασία θέτει τις βάσεις για μελλοντική έρευνα στη μοντελοποίηση και επικύρω
ση χαρακτηριστικών. Τα πειραματικά αποτελέσματα αποδεικνύουν την αποτελεσματικότητα
αυτής της μεθόδου να συνεισφέρει σε στρατηγικές συναλλαγών και ανάλυση της αγοράς, ενώ
υπογραμμίζουν τις δυνατότητες περαιτέρω διερεύνησης και βελτιστοποίησης. | el |
| dc.format.extent | 69 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Extracting market events from limit order book data : a data-driven approach to financial feature engineering | el |
| dc.title.alternative | Εξαγωγή συμβάντων αγοράς από δεδομένα "limit order book" : μια δεδομενοκεντρική προσέγγιση για τη μηχανική χαρακτηριστικών στη χρηματοοικονομική ανάλυση | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Financial markets have evolved into highly complex systems, where the intricate dynamics of
trading are captured in the limit order book (LOB), a critical component of market microstructure.
This thesis explores the challenge of analyzing LOB data to infer meaningful patterns and predictive
signals, leveraging machine learning techniques to address the inherent complexity and non-linearity
of the data. Our work focuses on bridging the gap between raw LOB snapshots and the more detailed
market by order (MBO) data, which offers richer insights but is often unavailable or underutilized in
academic research.
To this end, we developed a greedy algorithm to reconstruct synthetic MBO data from high
frequency LOB snapshots. This reconstructed dataset serves as the foundation for constructing a
feature vector set inspired by prior studies, incorporating inferred market event data to compute
time-sensitive features aimed at capturing temporal dynamics. The resulting features aim to provide
a deeper understanding of market activity and support applications such as alpha signal prediction,
a crucial element in financial modeling.
By simplifying access to granular market information and demonstrating the feasibility of ex
tracting temporal dynamics from raw LOB data, this thesis lays the groundwork for future work in
predictive modeling and feature validation. Experimental results demonstrate the potential of this
method to contribute to trading strategies and market analysis while highlighting avenues for further
exploration and optimization. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Limit order book | el |
| dc.subject.keyword | High frequency trading | el |
| dc.subject.keyword | Market microstructure | el |
| dc.subject.keyword | Market dynamics | el |
| dc.subject.keyword | Feature engineering | el |
| dc.subject.keyword | Financial forecasting | el |
| dc.date.defense | 2025-01 | |
