Μέθοδοι βαθιάς μηχανικής μάθησης για χρηματιστηριακές συναλλαγές

Γαλανάκη, Σοφία; Galanaki, Sofia

dc.contributor.author	Γαλανάκη, Σοφία	el
dc.contributor.author	Galanaki, Sofia	en
dc.date.accessioned	2022-04-12T13:33:43Z
dc.date.available	2022-04-12T13:33:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55076
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22774
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Deep learning	en
dc.subject	Reinforcement learning	en
dc.subject	Gramian angular field	en
dc.subject	Trading	en
dc.subject	Βαθιά μάθηση	el
dc.subject	Stock market	en
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Γραμιανός γωνιακός χώρος	el
dc.subject	Συναλλαγές	el
dc.title	Μέθοδοι βαθιάς μηχανικής μάθησης για χρηματιστηριακές συναλλαγές	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-12-01
heal.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.	el
heal.abstract	Stock market and asset trading greately concern the scientific community and investors in assets, like stocks and cryptocurrencies. The literature uses various mathematical and statistical models to describe the market in the best possible way. Financial indicators identify the stock trends and its possible best execution levels. Recently, machine learning models forecast stock prices and predict trades more accurately. The latter approach faces many challenges. Such a challenge relates to the way that data can be transformed to better represent the market allowing models to extract more valuable information. This thesis aims to investigate the various deep learning and deep reinforcement learning models to address a classification problem. A label, that corresponds to the system’s possible action at each timestamp, is assigned to each sample. We implement both convolutional and recurrent neural networks. The data that are used to feed the neural networks include the intial timeseries of the stock prices and the images generated by their transformation.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών.Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης .	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false