Πρόβλεψη Χρηματιστηριακών Δεικτών μέσω Συνδυαστικής Ανάλυσης Συναισθήματος και Μηχανικής Μάθησης
Thesis
Η παρούσα διπλωματική εργασία μελετά την πρόβλεψη χρηματιστηριακών δεικτών μέσω της συνδυαστικής ανάλυσης συναισθήματος και τεχνικών μηχανικής μάθησης. Η ανάλυση επικεντρώνεται στην πρόβλεψη της κατεύθυνσης της τιμής κλεισίματος μετοχών μεγάλων εταιρειών, όπως της Tesla (TSLA), με τη χρήση ιστορικών δεδομένων και δεδομένων κοινωνικών δικτύων, όπως tweets. Η συλλογή δεδομένων περιελάμβανε χρηματιστηριακές τιμές που αντλήθηκαν από αξιόπιστες πηγές (Yahoo Finance, Kaggle) και δεδομένα από το Twitter API για τη μέτρηση της διάθεσης της αγοράς. Η προεπεξεργασία των δεδομένων περιελάμβανε την εξαγωγή χαρακτηριστικών, όπως ημερήσια μεταβολή τιμών, κινητούς μέσους όρους, και συναισθηματική βαθμολογία μέσω του εργαλείου VADER. Η ανάλυση βασίστηκε σε τέσσερις αλγορίθμους μηχανικής μάθησης: Support Vector Machines (SVM), Random Forest, Long Short-Term Memory (LSTM) και Generative Adversarial Networks (GANs). Οι SVM και Random Forest χρησιμοποιήθηκαν για την πρόβλεψη της κατεύθυνσης της τιμής κλεισίματος, ενώ το LSTM αξιοποιήθηκε για τη μοντελοποίηση χρονοσειρών. Τα GANs ενσωματώθηκαν για τη δημιουργία συνθετικών δεδομένων, βελτιώνοντας τη γενικευσιμότητα των μοντέλων. Από την ανάλυση των αποτελεσμάτων προέκυψε ότι: Το LSTM παρουσίασε την υψηλότερη ακρίβεια (100%) για την πρόβλεψη χρονοσειρών, αν και αυτό πιθανόν να οφείλεται σε υπερπροσαρμογή. Τα SVM και Random Forest εμφάνισαν ακρίβεια 86.67%, με ικανοποιητική απόδοση στις κατηγορίες ανοδικής και καθοδικής τάσης. Η ανάλυση συναισθήματος μέσω του VADER παρείχε σημαντικές πληροφορίες για τη διάθεση της αγοράς, με ακρίβεια 84.21%. Η εργασία κατέδειξε ότι η συνδυαστική ανάλυση χρηματιστηριακών και συναισθηματικών δεδομένων βελτιώνει την ακρίβεια προβλέψεων. Τα ευρήματα μπορούν να αξιοποιηθούν για τη λήψη επενδυτικών αποφάσεων, ενώ προτείνεται η περαιτέρω ανάπτυξη των μοντέλων με περισσότερα δεδομένα και πρόσθετες τεχνικές ανάλυσης.