Deep Finance

Το έργο DeepFinance εντάχθηκε στο πλαίσιο της Παρέμβασης ΙΙ “Συμπράξεις Επιχειρήσεων με Ερευνητικούς Οργανισμούς” του B΄ κύκλου της Ενιαίας Δράσης Κρατικών Ενισχύσεων Έρευνας, Τεχνολογικής Ανάπτυξης & Καινοτομίας «ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης) και από Εθνικούς Πόρους, μέσω του Ε.Π. Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΕΚ στο πλαίσιο της δράσης εθνικής εμβέλειας «ΕΡΕΥΝΩ-ΔΗΜΙΟΥΡΓΩ- ΚΑΙΝΟΤΟΜΩ» (ΕΣΠΑ 2014-2020)

Στόχος του έργου

Το DeepFinance θέτει ως βασικό στόχο τη δημιουργία μιας ολοκληρωμένης πλατφόρμας σημασιολογικής ανάλυσης και εξαγωγής συναισθήματος 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, συμπεριλαμβανομένης και της σημασιολογικής ανάλυσης ροών από κοινωνικά δίκτυα. Έτσι, τίθενται οι εξής στόχοι:

[Σ1] Ανάπτυξη εργαλείων βαθιάς μάθησης για αυτόματη διαχείριση χαρτοφυλακίου από τη SpeedLab (SL) με σκοπό να πετύχει καλύτερες επιδόσεις, σε σχέση με τις τεχνικές κανόνων αποφάσεων που χρησιμοποιεί. Αξίζει να σημειωθεί ότι οι τεχνικές που χρησιμοποιεί βασίζονται στη γνώση των ειδικών αναλυτών που διαθέτει με όλα τα μειονεκτήματα που αυτές κληρονομούν από την ανθρώπινη εμπειρία και το συναίσθημα. Έτσι, θα δοθεί ιδιαίτερη έμφαση στην ανάπτυξη εύρωστων μεθόδων βαθιάς μάθησης, που λαμβάνουν υπόψη τη μη-στασιμότητα των στατιστικών των σημάτων εισόδου, τα μεγάλα ποσοστά αυτοσυσχέτισής τους, καθώς και της υψηλή στοχαστικότητάς τους, με στόχο τη βελτιστοποίηση συγκεκριμένων δεικτών απόδοσης, όπως το PnL (Profit and Loss) και το Sharpe Ratio. Επιπλέον, θα εξεταστεί η ανάπτυξη μεθόδων βαθιάς μάθησης και βαθιάς ενισχυτικής μάθησης (Deep Reinforcement Learning) για την εκπαίδευση ευφυών πρακτόρων που εκτελούν αγοραπωλησίες επενδυτικών προϊόντων στο χρηματιστήριο με σκοπό τη μεγιστοποίηση του κέρδους τους και τη χρήση καινοτόμων μεθόδων ελέγχου των εντολών, π.χ. άμεση τοποθέτηση εντολών με όριο τιμής όπου ελέγχονται ταυτόχρονα η ποσότητα, η τιμή και η χρονική στιγμή τοποθέτησης της εντολής. 

[Σ2] Ανάπτυξη πλατφόρμας σημασιολογικής ανάλυσης ροών από κοινωνικά μέσα (π.χ. twitter, blogs, κτλ.) από τη DataScouting (DS) , έτσι ώστε να παρέχει υπηρεσίες ανάλυσης και εξαγωγής συναισθήματος για συγκεκριμένες μετοχές ή χρηματοοικονομικούς δείκτες, όπως κάνουν μεγάλα δίκτυα της αλλοδαπής (π.χ. Bloomberg). Η πλατφόρμα θα βασιστεί στην ενσωμάτωση καινοτόμων μεθόδων βαθιάς μάθησης για την κατανόηση φυσικής γλώσσας, παρέχοντας τη δυνατότητα σημασιολογικής ανάλυσης και εξαγωγής συναισθήματος από ροές κειμένου που προέρχονται από ετερογενή μέσα. Ταυτόχρονα, η πλατφόρμα που θα αναπτυχθεί θα επιτρέψει την περαιτέρω ανάπτυξη μεθόδων εύρεσης συσχετίσεων μεταξύ αιτίων και αποτελεσμάτων (cause-effect), παρέχοντας ένα χρήσιμο εργαλεία για όλα τα προϊόντα που η DS παράγει. 

[Σ3] Ενσωμάτωση των υπηρεσιών που παρέχει η DS στα εργαλεία της SL προκειμένου η διαχείριση χρηματοοικονομικού χαρτοφυλακίου από τη SL να λαμβάνει υπόψη την επιπλέον πληροφορία που αφορά στην άποψη που εκφράζεται στα κοινωνικά δίκτυα για συγκεκριμένες μετοχές και  χρηματοοικονομικούς δείκτες. Ανάπτυξη και ενσωμάτωση πολυτροπικών μεθόδων βαθιάς μάθησης και βαθιάς ενισχυτικής μάθησης για τη διαχείριση χρηματοοικονομικού χαρτοφυλακίου , που λαμβάνουν επιπλέον υπόψη πολυτροπικές πληροφορίες (χρονοσειρά τιμής μετοχών, βιβλίο εντολών, συναίσθημα, κτλ.).

elEL
Μετάβαση στο περιεχόμενο