Μπίλης Ευστράτιος (Υποψήφιος Διδάκτορας)

Τίτλος διατριβής: Δημιουργία μοντέλων μηχανικής μάθησης – νευρωνικών δικτύων για την πρόβλεψη τιμών ισοτιμίας συναλλάγματος σε διάφορα χρονικά πλαίσια

Επιβλέπων: Γουλιάνας Κωνσταντίνος

Μέλη Συμβουλευτικής Επιτροπής:

Κωνσταντίνος Διαμαντάρας, Καθηγητής, Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων, ΔΙΠΑΕ
Παπαδημητρίου Θεόφιλος, Καθηγητής, Τμήμα Οικονομικών Επιστημών, ΔΠΘ

Περίληψη:

Στόχος της έρευνας της εκπόνησης της προτεινόμενης διδακτορικής διατριβής, είναι η δημιουργία μοντέλων μηχανικής μάθησης – νευρωνικών δικτύων με σκοπό την πρόβλεψη τιμής της διάφορών ισοτιμιών. Τα δεδομένα τιμών, θα αντληθούν από trading πλατφόρμες metatrader4 ή metatrader5, τα οποία θα εξεταστούν, θα επεξεργαστούν και θα χρησιμοποιηθούν στην δημιουργία μοντέλων μηχανικής μάθησης σε διάφορα χρονικά πλαίσια.
Στα πλαίσια της έρευνας θα γίνει προσπάθεια για την ανάπτυξη μοντέλων μηχανικής μάθησης Stochastic Gradient Descent (SGD), Bagging Regression (BGR), Extreme
Τμήμα Μηχανικών
Πληροφορικής και
Ηλεκτρονικών Συστημάτων
Gradient Boosting (XGB), Random Forest (RF), Linear Regressor, Long Short-Term Memory (LSTM) και Transformers. Για την αξιολόγηση των μοντέλων θα χρησιμοποιηθούν οι μετρικές mean absolute percentage error (MAPE), mean squared error (MSE), mean absolute error (MAE).

Μεθοδολογία έρευνας: Αναγνώριση σφαλμάτων σε δυναμικές διεργασίες με χρήση δυναμικών αλγορίθμων ταξινόμησης
Η διδακτορική μου έρευνα επικεντρώνεται στην ανάπτυξη μοντέλων μηχανικής μάθησης με βάση την αρχιτεκτονική Transformers.
Κατά το χρονικό διάστημα 2022-2023 μελέτησα επιστημονικά άρθρα και literature reviews με θέμα τα μοντέλα μηχανικής μάθησης με οικονομικά δεδομένα ισοτιμιών. Η βιβλιογραφική αναζήτηση χωρίστηκε σε δύο μέρη. Το πρώτο κομμάτι είχε να κάνει με machine learning μοντέλα με δεδομένα συναλλάγματος και το δεύτερο κομμάτι με την αναζήτηση μοντέλων transformers που εκπαιδεύονται με αριθμητικά δεδομένα.
Στην μελέτη των papers κατέγραψα τις μεθοδολογίες που ακολουθήθηκαν από τους συγγραφείς καθώς και τα αποτελέσματα ακρίβειας των μοντέλων. Σκοπός της βιβλιογραφικής ανασκόπησης ήταν η καταγραφή των μοντέλων σε διάφορα συναλλάγματα με επίκεντρο το συνάλλαγμα EUR/USD και κυρίως η ακρίβεια των αποτελεσμάτων για να μπορέσει να συγκριθεί με τους αλγορίθμους που υλοποιήθηκαν και θα υλοποιηθούν στο πλαίσιο της παρούσας διδακτορικής διατριβής.
Το επίκεντρο των αλγορίθμων μηχανικής μάθησης έχει δοθεί σε μοντέλο με βάση την αρχιτεκτονική Transformers. Το Transformer μοντέλο μηχανικής μάθησης που έχει δημιουργηθεί, συγκρίνει τα αποτελέσματα με τα μοντέλα που περιγράφονται παραπάνω για να διαπιστωθεί η ακρίβεια του μοντέλου το οποίο μέχρι στιγμής έχει την μεγαλύτερη ακρίβεια εν ‘σύγκρισή με τα παραπάνω μοντέλα που κατασκευάστηκαν με μικρή διαφορά από το δεύτερο καλύτερο.
Για την δημιουργία των μοντέλων χρησιμοποιήθηκαν οι πλατφόρμες Kaggle και Collab. Για την εκπαίδευση των μοντέλων χρησιμοποιήθηκαν δεδομένα EUR/USD από το 1999 μέχρι και το 2022.
Αξίζει να σημειωθεί ότι είχαμε συναντήσεις με τους καθηγητές της τριμελής επιτροπής περίπου ανά δύο εβδομάδες.

Επιπρόσθετες δραστηριότητες
Τα μοντέλα μηχανικής μάθησης που κατασκευάστηκαν θα χρησιμοποιηθούν με δεδομένα συναλλάγματος όπως USD/CHF, USD/JPY, USD/GBP καθώς και άλλα συναλλάγματα σε διάφορα time steps.