Αναδρομικά νευρωνικά δίκτυα για πρόβλεψη χρηματιστηριακών μεγεθών

Abstract

Οι προβλέψεις χρηματιστηριακών μεγεθών διαχρονικά προσελκύουν το ενδιαφέρον των επενδυτών και των ερευνητών, την στιγμή που η βαθιά μηχανική μάθηση διαμορφώνει την πιο πολλά υποσχόμενη κατηγορία σχετικών αλγορίθμων. To αντικείμενο αυτής της διπλωματικής είναι η εφαρμογή και μελέτη της βαθιάς μηχανικής μάθησης και συγκεκριμένα των αναδρομικών νευρωνικών δικτύων μακράς και βραχείας μνήμης (Long Short-term Memory- LSTM), για την πραγματοποίηση βραχυπρόθεσμων χρηματιστηριακών προβλέψεων. Η βαθιά μηχανική μάθηση αποτελεί μια πολλά υποσχόμενη κατηγορία τεχνικής ανάλυσης και ειδικότερα τα LSTM είναι πολύ αποτελεσματικά για την μελέτη χρονοσειρών. Στα πλαίσια αυτής της διπλωματικής λοιπόν, υλοποιούνται χρηματιστηριακές προβλέψεις για μεγάλες τεχνολογικές εταιρείες και μελετώνται οι παράγοντες που επηρεάζουν την απόδοσή τους. Αναδεικνύεται η δυνατότητα του LSTM να αντιλαμβάνεται τις εξαρτήσεις των χρηματιστηριακών δεδομένων και να πραγματοποιεί αποτελεσματικές προβλέψεις. Ακόμη, γίνεται σαφής η σημασία της κατάλληλης ρύθμισης των παραμέτρων του νευρωνικού δικτύου και στην συνέχεια της κατάλληλης επιλογής χαρακτηριστικών εισόδου, με στόχο την βελτιστοποίηση της απόδοσης. Τέλος, συμπεραίνεται πως η απόδοση θα πρέπει να εξετάζεται συλλογικά και όχι μεμονωμένα με την ταυτόχρονη μελέτη αρκετών μετρικών και διαγραμμάτων.