H παρούσα διδακτορική διατριβή εστιάζει στην ανάπτυξη συστημάτων αλγοριθμικών συναλλαγών και πρόβλεψης τάσεων στην αγορά συναλλάγματος (Forex) με τη χρήση τεχνητής νοημοσύνης (ΤΝ) και συγκεκριμένα τεχνητών νευρωνικών δικτύων (ΤΝΔ). Η συνεχής ροή δεδομένων σε πραγματικό χρόνο και η ταχεία αλλαγή των συνθηκών στην αγορά Forex δημιουργούν την ανάγκη για ακριβείς προβλέψεις και γρήγορες εκτελέσεις συναλλαγών. Στην έρευνα, αναπτύχθηκαν και συγκρίθηκαν διαφορετικές αρχιτεκτονικές ΤΝΔ με στόχο την υπερβραχυπρόθεσμη πρόβλεψη της τάσης και την εκτέλεση συναλλαγών. Τα αποτελέσματα δείχνουν ότι οι εξειδικευμένες αρχιτεκτονικές υπερέχουν των παραδοσιακών μεθόδων τεχνικής ανάλυσης και συμβατικών μοντέλων LSTM, τόσο ως προς την ποιότητα πρόβλεψης όσο και ως προς την κατανάλωση υπολογιστικών πόρων για την επίτευξη του αποτελέσματος. Η έρευνα αξιολογεί επίσης τη χρήση της μόχλευσης στις συναλλαγές Forex, προσδιορίζοντας τις προκλήσεις και τους κινδύνους που σχετίζονται με τη χρήση αυτόματων συστημάτων συναλλαγών και τη διαχείριση θέσεων. Η μελέτη αποδεικνύει ότι η ενσωμάτωση κατάλληλων αρχιτεκτονικών τεχνητής νοημοσύνης μπορεί να βελτιώσει σημαντικά την αποδοτικότητα και την ακρίβεια των συναλλαγών, ενώ παράλληλα μειώνει τους κινδύνους μέσω προηγμένων τεχνικών πρόβλεψης και αυτοματοποιημένων στρατηγικών. Τα κύρια συμπεράσματα της έρευνας περιλαμβάνουν τη σημαντική υπεροχή των εξιδεικευμένων αρχιτεκτονικών ΤΝΔ στις βραχυπρόθεσμες συναλλαγές και την ικανότητά τους να βελτιστοποιούν τις προβλέψεις τάσεων στην αγορά Forex. Οι μελλοντικές επεκτάσεις περιλαμβάνουν την εφαρμογή αυτών των αρχιτεκτονικών σε άλλες χρονοσειρές και αγορές, καθώς και την ενσωμάτωση θεμελιωδών στοιχείων και ειδήσεων για περαιτέρω βελτίωση των προβλέψεων.

This doctoral thesis focuses on the development of algorithmic trading systems and trend forecasting in the foreign exchange market (Forex) using artificial intelligence (AI), specifically artificial neural networks (ANNs). The continuous flow of real-time data and rapidly changing market conditions in Forex create the need for accurate predictions and fast transaction execution. In this research, different ANN architectures were developed and compared, aiming at ultra-short-term trend forecasting and trade execution. The results demonstrate that the specialized architectures outperform traditional technical analysis methods and conventional LSTM models. The research also evaluates the use of leverage in Forex trading, identifying the challenges and risks associated with automated trading systems and position management. The study shows that the integration of specialized AI architectures can significantly improve the efficiency and accuracy of transactions while reducing risks through advanced prediction techniques and automated strategies. The main conclusions of the research include the significant superiority of custom ANNs in short-term trading and their ability to optimize trend forecasting in the Forex market. Future expansions include applying these architectures to other time series and markets, as well as integrating fundamental data and news to further enhance forecasts.