| dc.contributor.advisor | Mastorakis, Georgios | |
| dc.contributor.author | Σαμαρίδης, Κωνσταντίνος | |
| dc.date.accessioned | 2025-07-01T08:56:29Z | |
| dc.date.available | 2025-07-01T08:56:29Z | |
| dc.date.issued | 2025-06 | |
| dc.identifier.uri | http://hdl.handle.net/11728/12906 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία εξετάζει τη συμβολή της Συμπεριφορικής
Χρηματοοικονομικής και της Ανάλυσης Δεδομένων στην πρόβλεψη των τάσεων των
χρηματοπιστωτικών αγορών, με έμφαση στην ανάλυση συναισθήματος (Sentiment
Analysis) και στην εφαρμογή της Θεωρίας Πληροφορίας (Information Theory).
Βασικός στόχος είναι η αξιολόγηση της αποτελεσματικότητας συνδυαστικών
μοντέλων που ενσωματώνουν συναισθηματικά και πληροφοριακά χαρακτηριστικά.
Η μεθοδολογία περιλαμβάνει τη συλλογή και επεξεργασία δεδομένων τιμών
μετοχών και σχετικών ειδήσεων για την περίοδο 2022–2024 (εκπαίδευση) και το
πρώτο εξάμηνο του 2025 (δοκιμή). Η ανάλυση επικεντρώνεται σε έξι τεχνολογικές
μετοχές: Apple (AAPL), Microsoft (MSFT), Nvidia (NVDA), Tesla (TSLA), Meta
(META) και Amazon (AMZN). Χρησιμοποιήθηκαν τέσσερα μοντέλα μηχανικής
μάθησης: Logistic Regression, Random Forest, XGBoost και Support Vector
Machines (SVM). Η αξιολόγηση πραγματοποιήθηκε με χρήση των δεικτών
Accuracy, Precision, Recall και F1-score, καθώς και μέσω confusion matrices και
ανάλυσης της σημασίας των χαρακτηριστικών.
Τα αποτελέσματα ανέδειξαν το μοντέλο SVM ως το καλύτερο συνολικά,
καταγράφοντας τη μεγαλύτερη ακρίβεια (0.769) και F1-score (0.696), καθώς και την
υψηλότερη επίδοση σε recall (0.717). Το Random Forest κατέγραψε σταθερές
αποδόσεις σε όλους τους δείκτες, με αξιοσημείωτη ισορροπία μεταξύ precision και
recall, ενώ το Logistic Regression υστέρησε. Η προσθήκη του ημερήσιου δείκτη
συναισθήματος FinBERT και της εντροπίας Shannon ενίσχυσε σημαντικά την
προγνωστική ικανότητα όλων των μοντέλων.
Συμπερασματικά, η εργασία αναδεικνύει την αξία μιας πολυδιάστατης προσέγγισης
που συνδυάζει στοιχεία ψυχολογίας, ανάλυσης συναισθήματος και θεωρίας
πληροφορίας στην πρόβλεψη αγοραστικών τάσεων. Τονίζεται η ανάγκη για
περαιτέρω έρευνα σε υβριδικά μοντέλα που θα ενισχύσουν την προγνωστική ισχύ
έναντι της πολυπλοκότητας και της αβεβαιότητας των χρηματοπιστωτικών αγορών. | en_UK |
| dc.description.sponsorship | ENGLISH ABSTRACT
This thesis explores the contribution of Behavioral Finance and Data Analytics to
forecasting financial market trends, with a focus on sentiment analysis and the
application of Information Theory. The primary objective is to assess the
effectiveness of combined predictive models that incorporate emotional and
informational features.
The methodology involves the collection and processing of stock price data and
financial news for the period from 2022 to 2024 (training set) and the first half of
2025 (test set). The analysis focuses on six major technology stocks: Apple (AAPL),
Microsoft (MSFT), Nvidia (NVDA), Tesla (TSLA), Meta (META), and Amazon
(AMZN). Four machine learning models were used: Logistic Regression, Random
Forest, XGBoost, and Support Vector Machines (SVM). Evaluation metrics included
Accuracy, Precision, Recall, and F1-score, complemented by confusion matrices
and feature importance analysis.
The results highlighted the superior performance of the SVM model, which achieved
the highest accuracy (0.769), F1-score (0.696), and recall (0.717). Random Forest
demonstrated consistent performance across all metrics, showing a good balance
between precision and recall, while Logistic Regression lagged. The inclusion of
FinBERT-based daily sentiment and Shannon entropy significantly enhanced the
predictive accuracy of all models.
In conclusion, this research confirms the value of a multidimensional approach that
integrates psychological insights, sentiment analysis, and information-theoretic
measures for market trend prediction. Further research into hybrid models is
encouraged better to address the inherent complexity and uncertainty of financial
markets. | en_UK |
| dc.language.iso | el_GR | en_UK |
| dc.publisher | Μεταπτυχιακό Πρόγραμμα στην Εγκληματολογική Λογιστική και τα Χρηματοοικονομικά, Σχολή Οικονομικών Επιστημών και Διοίκησης, Πανεπιστήμιο Νεάπολις Πάφο | en_UK |
| dc.rights | Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κάτοχου των πνευματικών δικαιωμάτων | en_UK |
| dc.subject | Συμπεριφορική Χρηματοοικονομική | en_UK |
| dc.subject | Ανάλυση Συναισθήματος | en_UK |
| dc.subject | Θεωρία Πληροφορίας | en_UK |
| dc.subject | Μηχανική Μάθηση | en_UK |
| dc.subject | Πρόβλεψη Αγορών | en_UK |
| dc.title | Behavioral Finance Meets Data Analytics: Predicting Market Trends with Sentiment Analysis and Information Theory | en_UK |
| dc.title.alternative | Διπλωματική εργασία η οποία υποβλήθηκε προς απόκτηση εξ αποστάσεως μεταπτυχιακού τίτλου σπουδών στην Ανάλυση Δεδομένων και Χρηματοοικονομική Τεχνολογία στο Πανεπιστήμιο Νεάπολις Πάφος | en_UK |
| dc.type | Thesis | en_UK |
