Πρόβλεψη χρηματιστηριακών τιμών μετοχών με χρήση στατιστικών μοντέλων και μεθόδων μηχανικής μάθησης για την εκτίμηση της επίδοσης ανταγωνιστικών εταιρειών

• Κύριος συγγραφέας: Πανταζής, Παύλος
• Άλλοι συγγραφείς: Pantazis, Pavlos
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Μηχανική μάθηση; Νευρωνικά δίκτυα; Πρόβλεψη μετοχών; Βελτιστοποίηση χαρτοφυλακίου; Machine learning; Neural networks

Η αυξανόμενη διαθεσιμότητα υπολογιστικών πόρων σε συνδυασμό με τις εξελίξεις των τελευταίων ετών τόσο σε επίπεδο λογισμικού όσο και σε επίπεδο υλικού, μας παρέχουν τη δυνατότητα υλοποίησης σύνθετων διεργασιών αλλά και χρήσης υπολογιστικών μοντέλων, τα οποία στο παρελθόν είχαν πολύ υψηλό υπολογιστικό κόστος. Έτσι, η εφαρμογή των εργαλείων της επιστήμης των υπολογιστών έχει αυξηθεί ραγδαία αλλάζοντας πολλά ερευνητικά και επαγγελματικά πεδία. Ένας από τους πλέον δημοφιλέστερους τομείς της επιστήμης των υπολογιστών είναι η μηχανική μάθηση και πιο συγκεκριμένα τα νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα χρησιμοποιούνται σε ένα ευρύ φάσμα εφαρμογών από την ανάλυση εικόνων σε πραγματικό χρόνο για την ταυτοποίηση προσώπων μέχρι την πρόβλεψη χρονοσειρών. Σκοπός της διπλωματικής εργασίας είναι η πρόβλεψη των ημερήσιων τιμών των μετοχών που συμπεριλαμβάνονται στο δείκτη Standard and Poor’s 500. Οι προβλέψεις παράγονται από μεθόδους μηχανικής μάθησης και κυρίως από νευρωνικά δίκτυα, οι επιδόσεις των οποίων επιδιώκεται να βελτιωθούν. Στη συνέχεια με βάση τις παραγόμενες προβλέψεις εξετάζεται εάν μπορεί να υλοποιηθεί μία κερδοφόρα στρατηγική επενδύσεων κάνοντας χρήση μεθόδων βελτιστοποίησης χαρτοφυλακίου. Τελικά αποδεικνύεται πως ο συνδυασμός προβλέψεων υψηλής ακρίβειας με μεθόδους βελτιστοποίησης χαρτοφυλακίου μπορεί να αποτελέσει μία κερδοφόρα στρατηγική ωστόσο δεν είναι βέβαιο πως η στρατηγική αυτή θα αποδίδει περισσότερο από τον δείκτη S&P 500.