Προβλεπτικοί αλγόριθμοι μηχανικής μάθησης σε χρηματοοικονομικά δεδομένα

Γανιάς, Λάμπρος

dc.contributor.advisor	Πελέκης, Νικόλαος
dc.contributor.author	Γανιάς, Λάμπρος
dc.date.accessioned	2025-06-10T13:05:17Z
dc.date.available	2025-06-10T13:05:17Z
dc.date.issued	2025-05
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17836
dc.description.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.	el
dc.format.extent	73	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Προβλεπτικοί αλγόριθμοι μηχανικής μάθησης σε χρηματοοικονομικά δεδομένα	el
dc.title.alternative	Predictive machine learning algorithms in financial data	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This work looks at how machine learning methods are used for checking and guessing stock market action, focusing on Limit Order Book data. LOBs note as it happens the buy and sell offers for a stock giving important info for price making which is key in high-frequency trading places. This study used data from the Athens Stock Exchange, preprocessed and organized properly for use by machine learning algorithms. The models used to predict future price movements were DeepLOB and TransLOB, which have received a lot of attention in this area. Results obtained using DeepLOB for each stock individually were very interesting. At the same time, a reinforcement learning model was built with the objective of designing an automated trading strategy. Though the results were not exceptional, the study underscored many challenges and great potential in making trades automatically through algorithms. Generally, the findings imply that machine learning methods can act as great tools in financial analysis, generating new opportunities for market prediction and making automated trading strategies.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Προβλεπτικοί αλγόριθμοι	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Χρηματοοικονομικά δεδομένα	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Ενισχυτική μάθηση	el
dc.subject.keyword	Reinforcement learning	el
dc.subject.keyword	Limit Order Books (LOB)	el
dc.subject.keyword	Financial data	el
dc.date.defense	2025-05-30

Αρχεία σε αυτό το τεκμήριο

Name:: Ganias_2203.pdf
Μέγεθος:: 4.007Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα