Μέθοδοι βαθιάς μηχανικής μάθησης για χρηματιστηριακές συναλλαγές

Abstract

Οι συναλλαγές στο χρηματιστήριο και ο τρόπος με τον οποίο μπορεί κανείς να βελτιώσει την αγοραπωλησία οικονομικών στοιχείων, ώστε να πετύχει το μέγιστο δυνατό κέρδος, είναι ένα θέμα που έχει απασχολήσει τόσο την επιστημονική κοινότητα όσο και ανθρώπους που προτίθενται να επενδύσουν σε μετοχές ή κρυπτονομίσματα. Στο πέρασμα των χρόνων, έχουν αξιοποιηθεί ποικίλα μοντέλα μαθηματικής και στατιστικής φύσεως με σκοπό την πληρέστερη περιγραφή της κατάστασης της αγοράς. Έχουν προσδιοριστεί δείκτες που υποδεικνύουν την τάση μιας μετοχής, αλλά και πιθανά σημεία εκτέλεσης κάποιας συναλλαγής. Τα τελευταία χρόνια, με την άνοδο της μηχανικής μάθησης, ποικίλα μοντέλα προβλέπουν την τιμής της μετοχής για κάποια μελλοντική χρονική στιγμή και ως εκ τούτου προσδιορίζουν τα καταλληλότερα σημεία που προσφέρονται για συναλλαγές. Ωστόσο, αυτό το είδος προβλήματος έχει αρκετές προκλήσεις. Μία εξ αυτών είναι η διαμόρφωση των δεδομένων για την καλύτερη περιγραφή της αγοράς.

Στόχος της διπλωματικής εργασίας είναι η μελέτη διαφορετικών μοντέλων βαθιάς μηχανικής και ενισχυτικής μάθησης για την επίλυση ενός προβλήματος ταξινόμησης. Κάθε δείγμα αντιστοιχίζεται σε μία ετικέτα που αντιπροσωπεύει την ενέργεια που είναι πιθανό να προβεί το σύστημα μια συγκεκριμένη χρονική στιγμή. Μελετούνται αναδρομικά και συνελικτικά μοντέλα. Ως δεδομένα εισόδου χρησιμοποιούνται οι αρχικές χρονοσειρές αλλά και εικόνες που προκύπτουν από το μετασχηματισμό αυτών.