Forecasting the directional movement of forex data with machine learning and deep learning
Φόρτωση...
Ημερομηνία
2025-07-28
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Επιβλέπων
Περίληψη
This thesis investigates the prediction of the EUR/USD exchange rate using both machine learning and deep learning methodologies. A series of experiments are conducted to evaluate model performance based on accuracy, precision, recall, F1 score, and RMSE. The study applies models such as Random Forest Regressors and hybrid BiLSTM networks combining technical and fundamental indicators. Emphasis is placed on the optimization of hyperparameters and the architecture of deep learning models. The results demonstrate the effectiveness of deep learning approaches, particularly in capturing sequential patterns in financial time series. Potential improvements and future directions are also discussed.
Η παρούσα πτυχιακή εργασία εξετάζει την πρόβλεψη της ισοτιμίας EUR/USD μέσω μεθοδολογιών μηχανικής και βαθιάς μάθησης. Πραγματοποιείται σειρά πειραμάτων με σκοπό την αξιολόγηση της απόδοσης των μοντέλων βάσει ακρίβειας, ακρίβειας θετικών προβλέψεων (precision), ανάκλησης, βαθμολογίας F1 και RMSE. Εφαρμόζονται μοντέλα όπως ο Random Forest Regressor και υβριδικά δίκτυα BiLSTM που συνδυάζουν τεχνικούς και θεμελιώδεις δείκτες. Ιδιαίτερη έμφαση δίνεται στη βελτιστοποίηση των υπερπαραμέτρων και στη διαμόρφωση της αρχιτεκτονικής των βαθιών νευρωνικών δικτύων. Τα αποτελέσματα αναδεικνύουν την υπεροχή των προσεγγίσεων βαθιάς μάθησης στην κατανόηση και αξιοποίηση διαχρονικών προτύπων σε χρηματοοικονομικές χρονοσειρές. Εξετάζονται επίσης τρόποι περαιτέρω βελτίωσης για μελλοντική έρευνα.
Η παρούσα πτυχιακή εργασία εξετάζει την πρόβλεψη της ισοτιμίας EUR/USD μέσω μεθοδολογιών μηχανικής και βαθιάς μάθησης. Πραγματοποιείται σειρά πειραμάτων με σκοπό την αξιολόγηση της απόδοσης των μοντέλων βάσει ακρίβειας, ακρίβειας θετικών προβλέψεων (precision), ανάκλησης, βαθμολογίας F1 και RMSE. Εφαρμόζονται μοντέλα όπως ο Random Forest Regressor και υβριδικά δίκτυα BiLSTM που συνδυάζουν τεχνικούς και θεμελιώδεις δείκτες. Ιδιαίτερη έμφαση δίνεται στη βελτιστοποίηση των υπερπαραμέτρων και στη διαμόρφωση της αρχιτεκτονικής των βαθιών νευρωνικών δικτύων. Τα αποτελέσματα αναδεικνύουν την υπεροχή των προσεγγίσεων βαθιάς μάθησης στην κατανόηση και αξιοποίηση διαχρονικών προτύπων σε χρηματοοικονομικές χρονοσειρές. Εξετάζονται επίσης τρόποι περαιτέρω βελτίωσης για μελλοντική έρευνα.
Περιγραφή
Λέξεις-κλειδιά
Machine learning, Deep learning, Forecasting, Forex, Μηχανική μάθηση, Βαθιά μάθηση, Πρόβλεψη