Η κοινοπραξία του έργου DeepFinance δημιούργησε κατά το διάστημα 28/7/2020-27/7/2023 μια ολοκληρωμένη πλατφόρμα σημασιολογικής ανάλυσης και εξαγωγής συναισθηματος από ροές κοινωνικών δικτύων με μεθόδους Βαθιάς Μάθησης (Deep Learning), αλλά και ολοκληρωμένων εργαλείων διαχείρισης χρηματοοικονομικών χαρτοφυλακίων, οι οποίες είναι σε θέση να συντήξουν πολυτροπική πληροφορία που εξάγεται από ποικίλες (ανομοιόμορφες) πηγές δεδομένων. Για την ολοκλήρωση της πλατφόρμας συνέβαλαν οι φορείς Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, DataScouting E.E. και SpeedLab GmbH.

Πιο συγκεκριμένα, τη κοινοπραξία του έργου DeepFinance ανέπτυξε μεθόδους και μοντέλα βαθιάς μάθησης για τη διαχείριση χαρτοφυλακίου χρησιμοποιώντας δεδομένα από αγοραπωλησίες χρηματιστηρίων. Για το σκοπό αυτό έγινε εκτεταμένη χρήση μεθόδων βαθιάς ενισχυτικής μάθησης, ενώ αναπτύχθηκαν μοντέλα βαθιάς μάθησης για τη σημασιολογική ανάλυση των απόψεων που αναμεταδίδονται στα μέσα κοινωνικής δικτύωσης για τα διάφορα αγαθά, οργανισμούς και εταιρείες, χρηματοοικονομικούς δείκτες, μετοχές και επενδυτικά προϊόντα.

Αναπτύχθηκαν καινοτόμες μέθοδοι βαθιάς μάθησης για σύντηξη πληροφορίας από ετερογενείς πηγές πληροφορίας, καθώς και μέθοδοι βαθιάς μάθησης για εξαγωγή σημασιολογικής πληροφορίας από μερικώς επισημασμένες ροές δεδομένων από κοινωνικά δίκτυα, ενώ εξετάστηκε και η χρήση πολλαπλών μοντέλων για την περαιτέρω αύξηση της ακρίβειας εκτέλεσης των εργασιών σημασιολογικής ανάλυσης και πρόβλεψης διαφόρων πτυχών των χρηματιστηριακών αγορών. Μια ακόμη καινοτομία του έργου  είναι η ακριβής προσομοίωση της χρηματιστηριακής δραστηριότητας σε περιβάλλοντα εκπαίδευσης πρακτόρων ενισχυτικής μάθησης. Τα περιβάλλοντα προσομοίωσης που αναπτύχθηκαν υποστηρίζουν την εκτέλεση εντολών αγοραπωλησίας με όριο τιμής (Limit Order), γεγονός που δεν είναι εφικτό με τα υπάρχοντα περιβάλλοντα που υποστηρίζουν απλούστερες εντολές (Market Orders).