Η παρούσα διπλωματική εργασία παρουσιάζει το σχεδιασμό και την υλοποίηση ενός
ολοκληρωμένου συστήματος πρόβλεψης τιμών μετοχών με χρήση αλγορίθμων μηχανικής
μάθησης, υλοποιημένου ως διαδικτυακή εφαρμογή με τη βιβλιοθήκη Streamlit της Python.
Το σύστημα αντλεί ιστορικά δεδομένα OHLCV από το Yahoo Finance και εφαρμόζει
εκτεταμένο Feature Engineering, παράγοντας άνω των 25 τεχνικών χαρακτηριστικών που
περιλαμβάνουν δείκτες τάσης, ορμής, μεταβλητότητας και όγκου. Τρεις αλγόριθμοι
εποπτευόμενης παλινδρόμησης εκπαιδεύονται και συγκρίνονται παράλληλα: Random Forest,
Gradient Boosting και Ridge Regression. Η αξιολόγηση πραγματοποιείται με χρονολογικό
διαχωρισμό δεδομένων (80/20), αποφεύγοντας τη χρονική διαρροή πληροφοριών, και
χρησιμοποιεί τις μετρικές MAE, RMSE, R² και Κατευθυντήρια Ακρίβεια. Τα πειράματα
διεξήχθησαν για τη μετοχή Apple Inc. (AAPL) κατά το 2025 με ορίζοντα πρόβλεψης 7
ημερών. Η Ridge Regression επέδειξε την υψηλότερη απόδοση με MAE=$5.36 και
Κατευθυντήρια Ακρίβεια 75.7%, υπερβαίνοντας σημαντικά το τυχαίο 50%. Η εφαρμογή
ενσωματώνει επίσης ανάλυση χρηματοοικονομικού κινδύνου (Sharpe Ratio, VaR, Maximum
Drawdown) και παρουσίαση θεμελιωδών οικονομικών μεγεθών, αποτελώντας ένα
ολοκληρωμένο εργαλείο ανάλυσης μετοχών.

This thesis presents the design and implementation of a comprehensive stock price prediction
system using machine learning algorithms, developed as a web application with Python's
Streamlit library. The system retrieves historical OHLCV data from Yahoo Finance and
applies extensive feature engineering, generating over 25 technical indicators covering trend,
momentum, volatility, and volume categories. Three supervised regression algorithms are
trained and compared in parallel: Random Forest, Gradient Boosting, and Ridge Regression.
Model evaluation is performed using chronological data splitting (80/20), preventing temporal
data leakage, and employs the metrics MAE, RMSE, R², and Directional Accuracy.
Experiments were conducted on Apple Inc. (AAPL) stock during 2025 with a 7-day forecast
horizon. Ridge Regression achieved the highest performance with MAE=$5.36 and
Directional Accuracy of 75.7%, significantly exceeding the random baseline of 50%. The
application also incorporates financial risk analysis (Sharpe Ratio, Value at Risk, Maximum
Drawdown) and company fundamentals, forming a comprehensive stock analysis tool. Results
confirm the partial predictability of financial markets despite the Efficient Market Hypothesis,
while highlighting the critical role of feature engineering quality and appropriate model
selection relative to dataset size.