Χρήση δυναμικού χώρου χαρακτηριστικών για την ενίσχυση μοντέλων πρόβλεψης χρηματιστηριακών δεικτών με βάση οικονομικά έγγραφα νέων
| datacite.contributor.RelatedPerson | Θεοδωρακόπουλος, Λεωνίδας | |
| datacite.contributor.RelatedPerson | Χαλκιόπουλος, Κωσταντίνος | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Πλακίδας, Σπυρίδων | |
| dc.contributor.other | Plakidas, Spyridon | |
| dc.date.accessioned | 2025-02-17T15:40:45Z | |
| dc.date.available | 2025-02-17T15:40:45Z | |
| dc.date.issued | 2024-11-13 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Στην πρόσφατη έρευνα, η πρόβλεψη των τάσεων της αγοράς μετοχών με βάση τα οικονομικά νέα έχει κεντρίσει σημαντικό ενδιαφέρον λόγω της δυνατότητάς της να ενισχύσει τις επενδυτικές στρατηγικές και τη λήψη οικονομικών αποφάσεων. Οι παραδοσιακές μέθοδοι σε αυτόν τον τομέα έχουν χρησιμοποιήσει κυρίως στατικούς χώρους χαρακτηριστικών, οι οποίοι μπορεί να μην αποτυπώνουν πλήρως τη δυναμική φύση των οικονομικών αγορών, όπου τα αισθήματα των επενδυτών και οι συνθήκες της αγοράς μπορεί να αλλάξουν γρήγορα λόγω νέων πληροφοριών. Η μελέτη αντιμετωπίζει αυτόν τον περιορισμό προτείνοντας έναν δυναμικό χώρο χαρακτηριστικών που προσαρμόζεται στις συνεχείς αλλαγές στην αγορά, γνωστό συχνά ως «concept drift». Σε αυτή τη μελέτη, αναπτύξαμε ένα πολύπλοκο μοντέλο το οποίο ανανεώνει συνεχώς τον χώρο των χαρακτηριστικών του για να περιλαμβάνει τις πιο πρόσφατες τάσεις και πληροφορίες από τα οικονομικά νέα. Αυτή η προσέγγιση επιτρέπει στο μοντέλο μας να διατηρεί τη σχετικότητά του με τον χρόνο και να προσαρμόζεται στο εξελισσόμενο τοπίο της αγοράς. Συγκεκριμένα, υλοποιούμε ένα σύστημα που αρχικά κατατάσσει τα εισερχόμενα οικονομικά άρθρα νέων χρησιμοποιώντας προηγμένες τεχνικές εξόρυξης κειμένου. Αυτά τα ταξινομημένα κομμάτια νέων χρησιμοποιούνται στη συνέχεια για να ενημερώσουν δυναμικά τον χώρο των χαρακτηριστικών του μοντέλου, διασφαλίζοντας ότι τα πιο σχετικά και πρόσφατα στοιχεία συμπεριλαμβάνονται στη διαδικασία πρόβλεψης. | |
| dc.description.translatedabstract | Most recently the studies based on the forecast of the stock market has attracted the attention of a large number of researchers because of its efficiency in the application of various investment plans and decision-making process. Previous conventional models in this area have mainly relied on feature spaces, which are fixed as opposed to varying with time, an important aspect perhaps because of constantly changing investors’ sentiment and market conditions due to new information. This limitation is solved in our study through the construction of a dynamic feature space that responds to ongoing changes in the market environment more referred to as ‘‘concept drift.’’ Thus, in this study, we have proposed a complex and flexible model that is constantly adding new variables to its feature space and analyzing tendencies and information from financial reports. This approach will make it possible to keep the model relevant and easily transform it when the market changes occur. In particular, first, we provide a system that was based on the most advanced methods of text mining to categorize received financial news articles. These items of news are then appropriately classified as either ‘Business Relevant’ or ‘Not Relevant’, and then fed into the feature space of the model in order to update the model dynamically with the most relevant and current business elements in order to perform the business prediction. | |
| dc.identifier.uri | https://hdl.handle.net/10889/28950 | |
| dc.language.iso | el | |
| dc.subject | Δυναμικός χώρος χαρακτηριστικών | |
| dc.subject | Τεχνητά νευρωνικά δίκτυα | |
| dc.subject.alternative | Dynamic feature space | |
| dc.subject.alternative | Concept drift | |
| dc.subject.alternative | Artificial neural networks | |
| dc.title | Χρήση δυναμικού χώρου χαρακτηριστικών για την ενίσχυση μοντέλων πρόβλεψης χρηματιστηριακών δεικτών με βάση οικονομικά έγγραφα νέων | |
| dc.title.alternative | Using dynamic characteristic space for amplification stock index prediction models based youth financial papers |