Τεχνητή Νοημοσύνη στη Χρηματοοικονομική και Μηχανική Μάθηση
1ο Εξάμηνο, Κωδικός Μαθήματος: ΜΕΧΤΕ103
Πιστωτικές Μονάδες: 7,5
Μαθησιακά Αποτελέσματα
Το μάθημα αυτό στοχεύει να δώσει στους φοιτητές τα εργαλεία και την γνώση να κατανοήσουν το πεδίο και τις τεχνικές της μηχανικής μάθησης, καθώς και τις εφαρμογές τους στον τομέα της χρηματοοκονομικής. Μέσω ενός συνδυασμού θεωρητικών προσεγγίσεων, πρακτικών ασκήσεων, και περιπτώσεις από τον πραγματικό κόσμο, οι φοιτητές θα αναπτύξουν τα προσόντα που είναι αναγκαία για την εφαρμογή των αλγορίθμων της μηχανικής μάθησης στα χρηματοοικονομικά δεδομένα, με τα οποία θα είναι σε θέση να εξάγουν συμπεράσματα και να παίρνουν επενδυτικές αποφάσεις και να διαχειρίζονται αποτελεσματικά την διαχείριση κινδύνου που συνοδεύει τέτοιες αποφάσεις.
Γενικές Ικανότητες
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Εργασία σε διεθνές περιβάλλον
- Εργασία σε διεπιστημονικό περιβάλλον
- Προαγωγή νέων ερευνητικών ιδεών
- Σχεδιασμός και διαχείριση έργων
- Άσκηση κριτικής και αυτοκριτικής
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
- Διάλεξη 1η (Θεωρητική): Γραμμικοί Ταξινομητές, Γραμμική και Λογιστική Παλινδρόμηση
- Διάλεξη 2η (Θεωρητική): Πολυστρωματικά Νευρωνικά Δίκτυα
- Διάλεξη 3η (Θεωρητική): Ανατροφοδοτούμενα Νευρωνικά Δίκτυα
- Διάλεξη 4η (Θεωρητική): Μηχανές Διανυσμάτων Στήριξης
- Διάλεξη 5η (Θεωρητική): Ενισχυόμενη Μάθηση
- Διάλεξη 6η (Εργαστηριακή): Καθιερωμένα Μοντέλα Μηχανικής Μάθησης για την Πρόγνωση Τιμών Μετοχής
- Διάλεξη 7η (Εργαστηριακή): Πολυστρωματικά και Ανατροφοδοτούμενα Νευρωνικά Δίκτυα για την Πρόγνωση Τιμών Μετοχής
- Διάλεξη 8η (Εργαστηριακή): Μοντέλα Μηχανικής Μάθησης για την Διαχείριση Επενδυτικού Κινδύνου και την Υλοποίηση Ρομποτικών Συμβούλων.
- Διάλεξη 9η (Εργαστηριακή): Αλγόριθμοι Μηχανικής Μάθησης για την Αυτοματοποίηση Συναλλαγών.
- Διάλεξη 10η (Εργαστηριακή): Μοντέλα Ενισχυόμενης Μάθησης για τον Βέλτιστο Καταμερισμό Χαρτοφυλακίου.
Αξιολόγηση Φοιτητών
- Μικρές ερωτήσεις-απαντήσεις 20%
- Ερωτήσεις ανοικτου τύπου 10%
- Λύση προβλημάτων 20%
- Παρουσίαση εργασίας 20%
- Τελική εξέταση 20%
- Εφαρμογή υπολογιστική 10%
Βιβλιογραφία
Προτεινόμενη Βιβλιογραφία
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
- Aggarwal, Charu C. “Neural networks and deep learning.” Springer 10.978 (2018): 3.
- Haykin, Simon, and N. Network. “A comprehensive foundation.” Neural networks 2.2004 (2004): 41.
- Bishop, Christopher M. Neural networks for pattern recognition. Oxford university press, 1995.
- Theodoridis, Sergios, and Konstantinos Koutroumbas. Pattern recognition. Elsevier, 2006.
Συναφή Επιστημονικά Περιοδικά
- Journal of Financial Economics
- Journal of Finance
- Journal of Financial and Quantitative Analysis
- Journal of Banking and Finance
- Journal of Financial Markets
- Journal of Financial Econometrics
- Journal of Empirical Finance
- Journal of Portfolio Management
Πρόγραμμα
Μεταπτυχιακών Σπουδών
«Χρηματοοικονομική Τεχνολογία (FinTech)»
(M.Sc in «Financial Technology (FinTech)»)