Τα χρηματιστήρια και οι υπηρεσίες που παρέχουν έχουν ραγδαία εξέλιξη τα τελευταία χρόνια και η πρόσβαση των πολιτών σε αυτά γίνεται ολοένα και πιο εύκολη. Η πρόσβαση στις ηλεκτρονικές υπηρεσίες των χρηματαγορών έχει οδηγήσει στην ανάπτυξη συστηματικών επενδυτικών στρατηγικών χωρίς να είναι απαραίτητη η ανθρώπινη παρέμβαση. Την ίδια περίοδο, η Μηχανική Μάθηση (ΜΜ) έχει ελκύσει το ενδιαφέρον της ερευνητικής κοινότητας χάρη στα πρωτοφανή επιτεύγματα στον τομέα της Βαθιάς Μάθησης (ΒΜ). Η συνεχής άνοδος της υπολογιστικής ισχύος των ολοκληρωμένων κυκλωμάτων (επεξεργαστών), έχει φτάσει σε ένα κρίσιμο σημείο όπου έχει γίνει εφικτή η χρήση των μοντέλων ΒΜ σε πολλά προβλήματα. Παράλληλα, η αφθονία των δεδομένων του παγκόσμιου ιστού έχει δώσει ένα εκτενές υπόβαθρο για την έρευνα της Τεχνητής Νοημοσύνης. Από την απαράμιλλη ακρίβεια σε προβλήματα πρόβλεψης, μέχρι την επίδοση σε επιτραπέζια και ηλεκτρονικά παιχνίδια, η ΒΜ ξεπερνά την επίδοση των ανθρώπων, όσο τα μοντέλα της αυξάνονται σε πλήθος παραμέτρων. Καθώς η έρευνα της ΒΜ διαχέεται σε περισσότερα πεδία, ένα από αυτά είναι η ανάλυση των χρηματοοικονομικών δεδομένων. Η εφαρμογή της ΒΜ σαν ``μαύρο κουτί'' στις οικονομικές χρονοσειρές δεν έχει την ίδια επιτυχία με τις εφαρμογές σε άλλα πεδία. Στην παρούσα διδακτορική διατριβή διερευνάται η συμβατότητα της ΒΜ για την ανάλυση χρηματοοικονομικών δεδομένων και προτείνονται λύσεις για τα προβλήματα που υπάρχουν. Στην διαρκεια της διατριβής αναπτύχθηκαν νέα μοντέλα και μέθοδοι ΒΜ, που προσαρμόστηκαν κατάλληλα στις ιδιαίτερες απαιτήσεις των χρηματοοικονομικών δεδομένων. Σε αυτά περιλαμβάνονται καινοτόμες προσεγγίσεις για την ανάλυση, πρόβλεψη και κατηγοριοποίηση χρονοσειρών, καθώς και την ανάπτυξη ευφυών πρακτόρων για τη βέλτιστη εκτέλεση χρηματοοικονομικών συναλλαγών.Διερευνήθηκαν μοντέλα για την ανάλυση δεδομένων υψηλής συχνότητας, όπως ο Κατάλογος Εντολών Ορίου (Limit Order Book), αλλά και δεδομένων συναλλαγών με υποδειγματοληψία, όπως τιμές ανοίγματος-υψηλού-χαμηλού-κλεισίματος (Open-High-Low-Close). Με δεδομένο ότι πολλοί επενδυτές χρησιμοποιούν ποιοτικές ή αλγοριθμικές στρατηγικές, αναπτύχθηκαν μοντέλα ΒΜ για την ``κλωνοποίηση'' σήματος στρατηγικών. Τα μοντέλα κατάφεραν να υπολογίσουν με ακρίβεια τις αποφάσεις αλγορίθμων στρατηγικών έχοντας πρόσβαση μόνο στα δεδομένα της χρονοσειρας των τιμών. Στη συνέχεια αναπτύχθηκαν περιβάλλοντα προσομοίωσης χρηματιστηριακής αγοράς που χρησιμοποιούν ιστορικά δεδομένα τιμών. Με αυτές τις προσομοιώσεις εκπαιδεύτηκαν πράκτορες με Ενισχυτική Μάθηση (Reinforcement Learning) για τη βελτιστοποίηση ενός σήματος ανταμοιβής. Ως σήμα ανταμοιβής χρησιμοποιήθηκε κυρίως το προσομοιωμένο κέρδος. Επίσης αναπτύχθηκε ένα «διαμορφωμένο» σήμα ανταμοιβής που βελτίωσε την ταχύτητα σύγκλισης και την τελική επίδοση των μοντέλων Ενισχυτικής Μάθησης. Τέλος, η μοντελοποίηση του περιβάλλοντος προσομοίωσης και τα μοντέλα των πρακτόρων Ενισχυτικής Μάθησης επεκτάθηκαν περαιτέρω για να υποστηρίξουν εντολές ορίου (limit orders). Η χρήση των εντολών ορίου έδειξε σημαντική αύξηση των ανταμοιβών που πετύχαιναν οι πράκτορες.