Forecasting the directional movement of forex data with machine learning and deep learning

Απλή σελίδα τεκμηρίου
dc.contributor.advisorPapadourakis, Georgiosen
dc.contributor.advisorΠαπαδουράκης, Γεώργιοςel
dc.contributor.authorPapadakis, Charalamposel
dc.contributor.authorΠαπαδάκης, Χαράλαμποςen
dc.date.accessioned2025-07-29T08:26:55Z
dc.date.available2025-07-29T08:26:55Z
dc.date.issued2025-07-28
dc.description.abstractThis 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.en
dc.description.abstractΗ 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.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11386
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectMachine learning
dc.subjectDeep learning
dc.subjectForecasting
dc.subjectForex
dc.subjectΜηχανική μάθηση
dc.subjectΒαθιά μάθηση
dc.subjectΠρόβλεψη
dc.titleForecasting the directional movement of forex data with machine learning and deep learningen
dc.titleΠρόβλεψη της κατεύθυνσης κίνησης forex δεδομένων με machine learning και deep learningel
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
PapadakisCharalampos2025.pdf
Μέγεθος:
1.27 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses