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

Mantikos, Theofilos; Μαντίκος, Θεόφιλος

dc.contributor.advisor	Filippakis, Michael
dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Mantikos, Theofilos
dc.contributor.author	Μαντίκος, Θεόφιλος
dc.date.accessioned	2025-07-28T08:59:46Z
dc.date.available	2025-07-28T08:59:46Z
dc.date.issued	2025
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18030
dc.description.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.	el
dc.format.extent	67	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.title	Predicting stock market trends using neural network architectures, NVIDIA study case	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis presents the use of neural networks in stock market price prediction, addressing the limitations of traditional statistical and econometric models, and by focusing on feedforward neural networks, recurrent neural networks (RNNs), and long short-term memory (LSTM) networks, their effectiveness in forecasting stock prices is analyzed, while at the same time, a literature review highlights their advantages and challenges, including data quality and model interpretability. In the experimental section, a neural network system is trained and tested on historical stock market data to assess its predictive performance, with the findings indicating that neural networks significantly enhance prediction accuracy by capturing complex, nonlinear relationships, ighlighting the contribution of this thesis to the application of advanced machine learning techniques in finance, while at the same time, it provides valuable insights for improving financial decision-making processes in the future.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Neural network architectures	el
dc.subject.keyword	Stock market trends	el
dc.subject.keyword	Neural network	el
dc.subject.keyword	NVIDIA	el
dc.subject.keyword	Recurrent Neural Networks (RNN)	el
dc.subject.keyword	Long Short-Term Memory (LSTM)	el
dc.subject.keyword	Stock price forecasting	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Financial data analysis	el
dc.subject.keyword	Stock price forecasting	el
dc.date.defense	2025-06-18

Αρχεία σε αυτό το τεκμήριο

Name:: Predicting Stock Market Trends ...
Μέγεθος:: 1.640Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

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