Προβλεπτικοί αλγόριθμοι μηχανικής μάθησης σε χρηματοοικονομικά δεδομένα

Abstract

Η συγκεκριμένη μελέτη εστιάζει στην εφαρμογή τεχνικών μηχανικής μάθησης για την ανάλυση και πρόβλεψη της χρηματιστηριακής δραστηριότητας, με έμφαση στα δεδομένα του Limit Order Book (LOB). Τα LOB καταγράφουν σε πραγματικό χρόνο τις προσφορές αγοράς και πώλησης μιας μετοχής, παρέχοντας πολύτιμες πληροφορίες για τη διαμόρφωση των τιμών, κάτι που είναι ιδιαίτερα σημαντικό σε αγορές υψηλής συχνότητας. Στο πλαίσιο της έρευνας, χρησιμοποιήθηκαν δεδομένα από το Χρηματιστήριο Αθηνών, τα οποία επεξεργάστηκαν και οργανώθηκαν κατάλληλα, ώστε να μπορούν να αξιοποιηθούν από αλγορίθμους μηχανικής μάθησης. Τα μοντέλα που χρησιμοποιήθηκαν για να εκτιμηθεί η μελλοντική μεταβολή των τιμών ήταν τα DeepLOB και TransLOB, που έχουν απασχολήσει αρκετά τους ενδιαφερόμενους του συγκεκριμένου τομέα. Τα αποτελέσματα που προέκυψαν με την χρήση του DeepLOB για κάθε μετοχή ξεχωριστά είναι και αυτά που κίνησαν το ενδιαφέρον. Παράλληλα αναπτύχθηκε και ένα μοντέλο ενισχυτικής μάθησης, με σκοπό τη δημιουργία μιας αυτόματης στρατηγικής συναλλαγών. Αν και τα αποτελέσματα δεν ήταν εντυπωσιακά, η έρευνα ανέδειξε τις προκλήσεις και τις δυνατότητες που υπάρχουν στον τομέα των αλγοριθμικών συναλλαγών. Συνολικά, τα αποτελέσματα δείχνουν ότι οι τεχνικές μηχανικής μάθησης μπορούν να αποτελέσουν χρήσιμα εργαλεία στη χρηματοοικονομική ανάλυση, δημιουργώντας νέες προοπτικές για την πρόβλεψη των αγορών και την ανάπτυξη αυτοματοποιημένων στρατηγικών συναλλαγών.