Συλλογές	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations
Τίτλος	Applying machine learning models & algos for prediction of stock market movements & optimization of market investment strategies. The derivation & comparison of 2 investment strategies on US stocks
Εναλλακτικός τίτλος	Εφαρμόζοντας μοντέλα και αλγορίθμους μηχανικής μάθησης για την πρόβλεψη και βελτιστοποίηση επενδυτικών στρατηγικών στο χρηματιστήριο. Η δημιουργία και σύγκριση 2 επενδυτικών στρατηγικών σε αμερικάνικες μετοχές
Δημιουργός	Διάκος, Στέφανος, Diakos, Stefanos
Συντελεστής	Dellaportas, Petros Athens University of Economics and Business, Department of Informatics Vassalos, Vasilios Louridas, Panagiotis
Τύπος	Text
Φυσική περιγραφή	59p.
Γλώσσα	en
Αναγνωριστικό	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9086
Περίληψη	Συνδυάζοντας σημαντικές γνώσεις από τα χρηματοοικονομικά και την ανάλυση δεδομένων, αυτή η διπλωματική εργασία θα αναπτύξει δυο στρατηγικές που χρησιμοποιούν μοντέλα μηχανικής μάθησης για την πρόβλεψη και την κατασκευή επικερδών μετοχικών χαρτοφυλακίων. Ο σκοπός αυτής της διπλωματικής εργασίας είναι να επιδείξει πως τα μοντέλα μηχανικής μάθησης μπορούν να εφαρμοστούν στην χρηματοοικονομική ανάλυση και να παράγουν πολύτιμη πληροφορία που θα επιφέρει σημαντικά οφέλη στους επενδυτές.Σαν μια στοιχειώδη εισαγωγή, η πρώτη προτεινόμενη στρατηγική αφορά την πρόβλεψη της εβδομαδιαίας κατεύθυνσης πολλαπλών μετοχών με την χρήση διαφόρων μεθόδων classification. Στην συνέχεια, μόλις γίνουν οι προβλέψεις κατεύθυνσης κατασκευάζεται ένα χαρτοφυλάκιο που περιλαμβάνει τις μετοχές που έχουν την μεγαλύτερη πιθανότητα για ανοδική/καθοδική κίνηση. Η δεύτερη προτεινόμενη στρατηγική συνδυάζει έναν αλγόριθμο clustering με μία στρατηγική momentum. Located within the nexus of Finance and Data Science, this thesis will develop two trading strategies that utilize machine learning predictive algorithms to construct profitable long/short equity portfolios. The goal of the thesis is to demonstrate how machine learning models can bring new insights into trading in the financial markets and provide invaluable signals which will deliver significant returns to investors.As a rough introduction, the first strategy considered is a classification task that predicts the weekly direction of multiple stocks using various classification models. Once the direction predictions have been made, a portfolio is formed consisting of the stocks that had the highest probability of an up/down movement. The second strategy considered combines a clustering algorithm with a time series momentum framework.
Λέξη κλειδί	Μηχανική μάθηση Χρηματοοικονομικά Χρηματοοικονομικές στρατηγικές Machine learning Finance Financial strategies
Διαθέσιμο από	2022-01-21 13:12:20
Ημερομηνία έκδοσης	12/01/2021
Ημερομηνία κατάθεσης	2022-01-21 13:12:20
Δικαιώματα χρήσης	Free access
Άδεια χρήσης	https://creativecommons.org/licenses/by/4.0/