Η παρούσα εργασία εξετάζει τη συμπεριφορά των χρηματοοικονομικών αγορών και την αποτελεσματικότητα επενδυτικών στρατηγικών, με στόχο τη βελτίωση της πρόβλεψης και της λήψης επενδυτικών αποφάσεων. Ιδιαίτερη έμφαση δίνεται στη χρήση σύγχρονων τεχνολογιών, όπως η μηχανική μάθηση και τα big data, οι οποίες προσφέρουν νέες δυνατότητες στην ανάλυση μεγάλων όγκων δεδομένων και στη δημιουργία προβλέψεων με μεγαλύτερη ακρίβεια.

Η μελέτη περιλαμβάνει θεωρητικό υπόβαθρο, εμπειρική ανάλυση, καθώς και εφαρμογή οικονομικού μοντέλου βασισμένου σε πραγματικά δεδομένα. Επιπλέον, μέσω ενός ερωτηματολογίου με 77 συμμετοχές, καταγράφηκαν οι γνώσεις, οι στάσεις και οι επενδυτικές συνήθειες ατόμων που ενδιαφέρονται για τις αγορές. Τα αποτελέσματα έδειξαν ότι, παρόλο που υπάρχει ενδιαφέρον για επενδύσεις και τεχνολογία, η εμπειρία και η γνώση είναι περιορισμένες, γεγονός που αναδεικνύει την ανάγκη για καλύτερη επενδυτική εκπαίδευση.

Το οικονομικό μοντέλο αξιολόγησε τέσσερις διαφορετικές στρατηγικές (Buy & Hold, τεχνική ανάλυση, αλγοριθμική στρατηγική και αμυντική προσέγγιση), χρησιμοποιώντας δείκτες όπως η μέση απόδοση, το Sharpe Ratio και το μέγιστο drawdown. Η σύγκριση έδειξε ότι η απόδοση εξαρτάται άμεσα από το προφίλ κινδύνου του επενδυτή και τη στρατηγική που επιλέγεται.

Συνολικά, η εργασία καταλήγει στο ότι δεν υπάρχει μία ιδανική στρατηγική για όλους. Η τεχνολογία μπορεί να προσφέρει σημαντικά εργαλεία, αλλά απαιτείται παράλληλα επαρκής κατανόηση, πειθαρχία και σωστή διαχείριση κινδύνου. Η επένδυση στη γνώση είναι εξίσου σημαντική με την επένδυση στο κεφάλαιο.

This thesis explores the behavior of financial markets and evaluates the effectiveness of various trading strategies by combining traditional analysis with modern technological tools. The study focuses on the implementation of machine learning and big data techniques to enhance forecasting accuracy and support investment decision-making.

The research consists of three main parts: a theoretical overview of financial markets and trading approaches, a statistical analysis based on investor responses through a structured questionnaire, and the application of an economic model using real market data. The questionnaire gathered responses from 77 individuals, offering insights into current investment habits, levels of experience, and attitudes toward new technologies such as AI and algorithmic trading. Results indicate that although interest in technology is high, there is a gap in practical knowledge and investment discipline.

An economic evaluation model was used to analyze four different investment strategies — Buy & Hold, technical analysis, algorithmic strategy, and a defensive approach — applied to selected companies. Performance was assessed using financial metrics such as average return, Sharpe Ratio, and maximum drawdown. The findings highlight that there is no universally optimal strategy, as returns and risks vary based on investor profiles and market conditions.

The study concludes that data-driven methods can significantly contribute to better investment outcomes, provided they are combined with proper risk management and financial literacy. Promoting investor education and the responsible use of technology are essential factors for navigating the modern financial environment effectively.