Predicting stock market trends using neural network architectures, NVIDIA study case

Abstract

Αυτή η διατριβή παρουσιάζει τη χρήση νευρωνικών δικτύων στην πρόβλεψη τιμών χρηματιστηρίου, αντιμετωπίζοντας τους περιορισμούς των παραδοσιακών στατιστικών και οικονομετρικών μοντέλων, και εστιάζοντας σε νευρωνικά δίκτυα με ανάδραση, επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και δίκτυα μακράς βραχυπρόθεσμης μνήμης (LSTM), αναλύεται η αποτελεσματικότητά τους στην πρόβλεψη τιμών μετοχών, ενώ ταυτόχρονα, μια βιβλιογραφική ανασκόπηση αναδεικνύει τα πλεονεκτήματα και τις προκλήσεις τους, συμπεριλαμβανομένης της ποιότητας των δεδομένων και της ερμηνευσιμότητας του μοντέλου.

Στο πειραματικό μέρος, ένα σύστημα νευρωνικών δικτύων εκπαιδεύεται και δοκιμάζεται σε ιστορικά δεδομένα χρηματιστηρίου για να αξιολογηθεί η προγνωστική του απόδοση, με τα ευρήματα να δείχνουν ότι τα νευρωνικά δίκτυα βελτιώνουν σημαντικά την ακρίβεια πρόβλεψης καταγράφοντας πολύπλοκες, μη γραμμικές σχέσεις, τονίζοντας τη συμβολή αυτής της διατριβής στην εφαρμογή προηγμένων τεχνικών μηχανικής μάθησης στα χρηματοοικονομικά, ενώ ταυτόχρονα, παρέχει πολύτιμες πληροφορίες για τη βελτίωση των διαδικασιών λήψης οικονομικών αποφάσεων στο μέλλον.