Εξηγήσιμη τεχνητή νοημοσύνη : πώς οι κατηγοριοποιητές επιλέγουν τις κλάσεις σε δεδομένα χρηματιστηριακών χρονοσειρών
Loading...
Date
2025-07-09
Authors
Σεργιάννης, Παρασκευάς Βασίλειος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία έχει ως αντικείμενο τη διερεύνηση και εφαρμογή μεθόδων Εξηγήσιμης Τεχνητής Νοημοσύνης (XAI) για την ερμηνεία των αποφάσεων ενός μοντέλου βαθιάς μάθησης σε προβλήματα ταξινόμησης χρηματοοικονομικών χρονοσειρών. Ειδικότερα, εστιάζει στην ανάλυση ενός δικτύου Μακράς Βραχυπρόθεσμης Μνήμης (LSTM), το οποίο εκπαιδεύεται να προβλέπει σήματα συναλλαγών (Αγορά, Πώληση, Διακράτηση) για τη μετοχή της Apple ($AAPL)
Βασικός στόχος είναι διττός: αφενός, η ανάπτυξη ενός αποτελεσματικού μοντέλου LSTM ικανού να αναγνωρίζει δυνητικά κερδοφόρες συνθήκες συναλλαγών , και αφετέρου, ο κύριος στόχος, η ενδελεχής ανάλυση των εσωτερικών μηχανισμών λήψης αποφάσεών του. Η έρευνα αποσκοπεί να απαντήσει στο κρίσιμο ερώτημα του γιατί το μοντέλο προτείνει μια συγκεκριμένη δράση, διασφαλίζοντας ότι οι προβλέψεις του βασίζονται σε οικονομικά εύλογα σήματα και όχι σε στατιστικές ανωμαλίες.
Για την επίτευξη των παραπάνω, αρχικά αναπτύχθηκε ένα πολυ-εισοδικό (multi-input) μοντέλο LSTM που επεξεργάζεται ταυτόχρονα βραχυπρόθεσμα, μεσοπρόθεσμα και μακροπρόθεσμα χρονικά παράθυρα δεδομένων. Στο πλαίσιο της εργασίας, διερευνήθηκαν και συγκρίθηκαν δύο διακριτές στρατηγικές σήμανσης των ιστορικών δεδομένων: μία προσαρμοσμένη στρατηγική βασισμένη σε κανόνες τεχνικής ανάλυσης και η μέθοδος του «Τριπλού Φράγματος» (Triple Barrier). Για την ερμηνεία του εκπαιδευμένου μοντέλου, εφαρμόστηκε ένα σύνολο πέντε διαφορετικών τεχνικών XAI: SHAP, LIME, DeepLIFT, Integrated Gradients και Permutation Feature Importance, επιτρέποντας μια σφαιρική και διασταυρωμένη αξιολόγηση της συμπεριφοράς του.
Η αξία της παρούσας εργασίας έγκειται στην ανάδειξη του καθοριστικού ρόλου που διαδραματίζει η στρατηγική σήμανσης στη διαμόρφωση της «σκέψης» του μοντέλου, καθώς και στην πρακτική εφαρμογή και συγκριτική αξιολόγηση πολλαπλών μεθόδων XAI. Τα ευρήματα παρέχουν χρήσιμη γνώση για τους παράγοντες που οδηγούν τις αλγοριθμικές προβλέψεις και θέτουν τις βάσεις για την ανάπτυξη πιο διαφανών, αξιόπιστων και ελέγξιμων συστημάτων υποστήριξης επενδυτικών αποφάσεων.
Description
Keywords
Εξηγήσιμη τεχνητή νοημοσύνη, Μηχανική μάθηση, Δίκτυα LSTM, Χρηματοοικονομικές χρονοσειρές