- MSc thesis
- Διοίκηση Επιχειρήσεων (MBA)
- 30 Ιουνίου 2024
- Αγγλικά
- 72
- ΑΝΔΡΟΥΛΑΚΗΣ ΓΕΩΡΓΙΟΣ
- ΑΝΔΡΟΥΛΑΚΗΣ ΓΕΩΡΓΙΟΣ | Ρεντιζέλας, Αθανάσιος
- Deep Learning, LSTM, Recurrent Neural Networks, Technical Indicators, Stock Price Prediction. OHLC, RSI, MACD, Bollinger Bands
- Masters in Business Administration (MBA)
- 75
-
-
Stock price prediction is an everlasting challenge in financial markets, characterized by its complexity and volatility. In recent years, deep learning techniques, particularly Recurrent Neural Networks (RNN) and a special RNN architecture -Long Short Term Memory (LSTM) networks- have gathered significant momentum for their ability to capture temporal dependencies in sequential data, making them promising candidates for time-series forecasting tasks. This thesis explores the territory of stock price prediction with LSTM networks, with the aim to prototype an LSTM model capable of accurately forecasting the next day’s closing price of a security from historical data. Experiments are conducted using historical “Adjusted Close Price” values of Amazon and Tesla respectively.
In addition, the effectiveness of technical indicators as additional features is evaluated. From Open, High, Low, and Close (OHLC) values of Amazon and for the period 1997-2024, the Relative Strength Index (RSI), Bollinger Bands, and Moving Average Convergence Divergence (MACD) is calculated and used as input features for the LSTM model. The performance of the different data frames is compared with the RMSE metric.
This study demonstrates the potential of combining technical indicators with historical adjusted close prices as features for LSTM neural networks as a tool for relatively accurate short term stock price prediction.
-
Η πρόβλεψη των τιμών των μετοχών είναι μια πάγια πρόκληση στις χρηματοπιστωτικές αγορές, οι οποίες χαρακτηρίζονται απο πολυπλοκότητα και μεταβλητότητα. Τα τελευταία χρόνια, οι τεχνικές βαθιάς μάθησης, ιδιαίτερα τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και μια ειδική αρχιτεκτονική RNN -Δίκτυα μακράς βραχυπρόθεσμης μνήμης (LSTM)- έχουν συγκεντρώσει σημαντική δυναμική για την ικανότητά τους να καταγράφουν χρονικές εξαρτήσεις σε διαδοχικά δεδομένα, καθιστώντας τα καλή επιλογή για εργασίες πρόβλεψης χρονοσειρών. Αυτή η διπλωματική διερευνά την πρόβλεψη τιμών μετοχών με δίκτυα LSTM, με στόχο να δημιουργήσει ένα πρότυπο μοντέλο LSTM ικανό να προβλέψει με ακρίβεια την τιμή κλεισίματος της επόμενης ημέρας ενός τίτλου από ιστορικά δεδομένα. Τα πειράματα διεξάγονται χρησιμοποιώντας ιστορικές τιμές "Προσαρμοσμένης Τιμής Κλεισίματος" της Amazon και της Tesla αντίστοιχα.
Επιπλέον, αξιολογείται η αποτελεσματικότητα των τεχνικών δεικτών ως πρόσθετων χαρακτηριστικών. Από τις τιμές Open, High, Low, and Close (OHLC) για το Amazon και για την περίοδο 1997-2024, ο Δείκτης Σχετικής Ισχύος (RSI), οι ζώνες Bollinger και η Κιούμενη Μέση Απόκλιση Σύγκλισης (MACD) υπολογίζονται και χρησιμοποιούνται ως χαρακτηριστικά εισόδου για το μοντέλο LSTM.
Η απόδοση των διαφορετικών συνδυασμών εισόδου στο μοντέλο συγκρίνεται με την μέτρηση της μέσης τετραγωνικής ρίζας (RMSE). Τα αποτελέσματα αυτής της μελέτης υποστηρίζουν τη δυνατότητα συνδυασμού τεχνικών δεικτών με ιστορικές τιμές και νευρωνικά δίκτυα LSTM για σχετικά ακριβή βραχυπρόθεσμη πρόβλεψη των τιμών των μετοχών.
-
- Hellenic Open University
- Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές