Mοντέλο αξιολόγησης επενδύσεων με χρήση sentiment analysis και στατιστικών μεθόδων

Ρούσση, Ειρήνη

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Ρούσση, Ειρήνη
dc.date.accessioned	2025-06-24T10:54:28Z
dc.date.available	2025-06-24T10:54:28Z
dc.date.issued	2025-04
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17875
dc.description.abstract	Η παρούσα διπλωματική εργασία εξετάζει τη χρήση ανάλυσης συναισθήματος (sentiment analysis) και στατιστικών μεθόδων για την αξιολόγηση επενδύσεων. Σκοπός της είναι η ανάπτυξη ενός μοντέλου που θα μπορεί να αξιοποιεί τόσο χρηματοοικονομικά δεδομένα όσο και δεδομένα συναισθήματος από τα μέσα κοινωνικής δικτύωσης, προκειμένου να παρέχει πιο ακριβείς προβλέψεις για τη λήψη επενδυτικών αποφάσεων. Αρχικά, αναλύεται το χρηματοοικονομικό περιβάλλον, η λειτουργία του χρηματιστηρίου και οι βασικές έννοιες κινδύνου που επηρεάζουν τις επενδύσεις. Έμφαση δίνεται στις χρονοσειρές και στις μεθόδους ανάλυσής τους, όπως τα αυτοπαλινδρομικά μοντέλα (AR, MA, ARMA) και το μοντέλο ARIMA, που χρησιμοποιούνται για την πρόβλεψη των τιμών των μετοχών. Στη συνέχεια, γίνεται ανάλυση της μετοχής της Tesla (TSLA), όπου εφαρμόζονται διάφορες τεχνικές επεξεργασίας δεδομένων, όπως διαφοροποίηση (differencing) για τη στασιμότητα της χρονοσειράς και έλεγχοι όπως το Dickey-Fuller Test. Δοκιμάζονται διαφορετικά μοντέλα πρόβλεψης, όπως το ARIMA και αλγόριθμοι μηχανικής μάθησης (Random Forest, LightGBM). Ένα σημαντικό μέρος της εργασίας αφιερώνεται στην ανάλυση συναισθήματος των χρηστών του Twitter σχετικά με τη μετοχή της Tesla. Χρησιμοποιείται το εργαλείο VADER για την κατηγοριοποίηση των tweets σε θετικά, αρνητικά ή ουδέτερα και ο μέσος όρος συναισθήματος ενσωματώνεται ως μεταβλητή στα μοντέλα πρόβλεψης. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός οικονομικών δεδομένων και ανάλυσης συναισθήματος βελτιώνει την πρόβλεψη της μετοχής TSLA. Το καλύτερο αποτέλεσμα επιτυγχάνεται με τη χρήση μοντέλων μηχανικής μάθησης, τα οποία έχουν χαμηλότερο σφάλμα (RMSE). Συμπεραίνεται ότι η αξιοποίηση των συναισθημάτων των επενδυτών σε συνδυασμό με χρηματοοικονομικά δεδομένα μπορεί να βελτιώσει τη λήψη επενδυτικών αποφάσεων.	el
dc.format.extent	78	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	Mοντέλο αξιολόγησης επενδύσεων με χρήση sentiment analysis και στατιστικών μεθόδων	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis examines the use of sentiment analysis and statistical methods for investment evaluation. The objective is to develop a model that integrates both financial data and sentiment data from social media to provide more accurate forecasts for investment decision-making. Initially, the study explores the financial environment, stock market operations, and key risk factors affecting investments. Emphasis is placed on time series analysis and forecasting methods, including autoregressive models (AR, MA, ARMA) and the ARIMA model, which are widely used for stock price predictions. Next, an analysis of Tesla's stock (TSLA) is conducted, applying various data processing techniques such as differencing for stationarity and statistical tests like the Dickey-Fuller Test. Several forecasting models are tested, including ARIMA and machine learning algorithms such as Random Forest and LightGBM. A significant part of this research focuses on sentiment analysis of Twitter users regarding Tesla's stock. The VADER tool is used to classify tweets as positive, negative, or neutral, and the average sentiment score is incorporated as a variable in the predictive models. The results indicate that combining financial data with sentiment analysis improves TSLA stock price predictions. The best performance is achieved using machine learning models, which yield lower prediction errors (RMSE). The study concludes that leveraging investor sentiment alongside financial data enhances investment decision-making accuracy.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Sentiment analysis	el
dc.subject.keyword	Stock market prediction	el
dc.subject.keyword	Twitter data	el
dc.subject.keyword	Tesla stock	el
dc.subject.keyword	Natural language processing	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Investment evaluation	el
dc.subject.keyword	Financial forecasting	el
dc.date.defense	2025-06-18

Αρχεία σε αυτό το τεκμήριο

Name:: Roussi_2351.pdf
Μέγεθος:: 13.06Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

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