Πρόβλεψη χρηματιστηριακών μεγέθων με τη βοήθεια της μηχανικής μάθησης
ENGLISH ABSTRACT Stock markets are fundamental components of the modern financial system, as they facilitate capital raising and financial funding, while providing significant signals about the state of the economy through stock market indices and price fluctuations. Stocks, as financial instruments, enable companies to raise capital, and their value depends on factors such as economic performance, government policies, and the general economic environment. Additionally, this thesis investigates the impact of financial news on stock price movements, emphasizing the crucial role that news plays in investor psychology and the market at large. This thesis focuses on the application of neural network models for forecasting financial stock prices, utilizing LSTM, GRU architecture, and the hybrid LSTM+GRU approach. Through the analysis of these models, their ability to understand and predict fluctuations in financial markets id explored, with LSTM standing out for its capability to manage long – term dependencies and GRU offering better computational efficiency. The hybrid LSTM+GRU approach aims to enhance performance by combining the strengths of both models. In this field, machine learning and advanced forecasting methods, such as regression and time series models, provide new tools for improving analysis and prediction strategies, thereby enhancing the understanding of future market movements. Additionally, the integration of sentiment analysis through the ΒΕRΤ model yields valuable insights from stock market news and analysis.
Thesis
Οι χρηματιστηριακές αγορές είναι θεμελιώδης παράγοντες του σύγχρονου χρηματοοικονομικού συστήματος, καθώς επιτρέπουν την άντληση κεφαλαίων και την οικονομική χρηματοδότηση, ενώ παρέχουν σημαντικά σήματα για την κατάσταση της οικονομίας, μέσω δεικτών και μεταβολών στις τιμές. Οι μετοχές, ως χρηματοοικονομικά εργαλεία, επιτρέπουν στις επιχειρήσεις να αντλούν κεφάλαιο και η αξία τους εξαρτάται από παράγοντες όπως η οικονομική απόδοση, κυβερνητικές πολιτικές και η γενική οικονομική κατάσταση. Παράλληλα, η εργασία διερευνά την επιρροή των χρηματιστηριακών ειδήσεων στην κίνηση των τιμών των μετοχών, τονίζοντας τον καθοριστικό ρόλο που παίζουν οι ειδήσεις στην ψυχολογία των επενδυτών και την αγορά γενικότερα. Η παρούσα διπλωματική εργασία εστιάζει στην εφαρμογή μοντέλων νευρωνικών δικτύων για την πρόβλεψη των τιμών των χρηματοοικονομικών μετοχών, χρησιμοποιώντας τις αρχιτεκτονικές LSTM, GRU και την υβριδική προσέγγιση LSTM+GRU. Μέσω της ανάλυσης αυτών των μοντέλων, διερευνάται η ικανότητά τους να κατανοούν και να προβλέπουν τις διακυμάνσεις των χρηματοοικονομικών αγορών, με το LSTM να διακρίνεται για την ικανότητά του να διαχειρίζεται μακροχρόνιες εξαρτήσεις και το GRU να προσφέρει καλύτερη υπολογιστική αποδοτικότητα. Η συνδυαστική προσέγγιση LSTM+GRU στοχεύει την ενίσχυση της απόδοσης, συνδυάζοντας τα πλεονεκτήματα και των δύο μοντέλων. Στο πεδίο αυτό, η μηχανική μάθηση και οι εξελιγμένες μέθοδοι πρόβλεψης, όπως η παλινδρόμηση και τα μοντέλα χρονοσειρών, παρέχουν νέα εργαλεία για τη βελτίωση των στρατηγικών ανάλυσης και πρόβλεψης, ενισχύοντας την κατανόηση των μελλοντικών κινήσεων της αγοράς. Επιπλέον, με την ενσωμάτωση της ανάλυσης συναισθήματος μέσω του μοντέλου BERT προκύπτουν πληροφορίες από χρηματιστηριακές ειδήσεις και αναλύσεις.