Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία μιας μεθόδου για την εξαγωγή αποδοτικών και ερμηνεύσιμων επενδυτικών κανόνων με χρήση μεθόδων υπολογιστικής νοημοσύνης. Οι επενδυτικοί αυτοί κανόνες εξάγονται αυτόματα από το σύστημα και υποδεικνύουν τη στρατηγική που πρέπει να ακολουθήσει ένας χρήστης. Αποκαλύπτουν το συσχετισμό των εισόδων και παρέχουν πληροφορίες για κερδοφόρες επενδυτικές στρατηγικές. Η υπολογιστική νοημοσύνη (computational intelligence) αποτελεί παρακλάδι της τεχνητής νοημοσύνης το οποίο περιλαμβάνει τον σχεδιασμό και την ανάπτυξη θεωριών και μεθόδων, βασιζόμενη στην κατανόηση της βιολογίας και της προσπάθειας για εφαρμογή σε προβλήματα του πραγματικού κόσμου. Ένα σύστημα είναι υπολογιστικά ευφυές όταν: ασχολείται μόνο με αριθμητικά (χαμηλού επιπέδου) δεδομένα, έχει συστατικά αναγνώρισης προτύπων, δεν χρησιμοποιεί γνώσεις στην μορφή της τεχνητή νοημοσύνης και επιπλέον, εμφανίζει i) υπολογιστική προσαρμοστικότητα, ii) υπολογιστική ανοχή σε σφάλματα, iii) επιτάχυνση που προσεγγίζει την ανθρώπινη, και iv) τα ποσοστά σφάλματός του προσεγγίζουν την ανθρώπινη απόδοση. Οι αλγόριθμοι της υπολογιστικής νοημοσύνης αποτελούνται από μοντέλα που εκπαιδεύονται από τα παραδείγματα με την βοήθεια ενός δασκάλου (επιβλεπόμενη μάθηση) και μοντέλα τα οποία προσαρμόζονται μόνα τους (μη επιβλεπόμενη μάθηση). Το πρόβλημα στις παρούσες προσεγγίσεις για την πρόβλεψη οικονομικών δεικτών εντοπίζεται στην μη ερμηνευσιμότητα των αποτελεσμάτων. Ενώ υπάρχουν δυνατά υπολογιστικά μοντέλα, όπως οι γενετικοί αλγόριθμοι και οι μηχανές διανυσμάτων υποστήριξης, τα αποτελέσματα τους δεν είναι ερμηνεύσιμα. Από την άλλη τα μοντέλα της ασαφούς λογικής ενώ παρουσιάζουν ερμηνεύσιμα αποτελέσματα δεν έχουν την δύναμη να παράγουν αποδοτικούς κανόνες. Το μοντέλο που προτείνεται σε αυτή την εργασία συνδυάζει τις τρεις προαναφερθείσες μεθόδους ονομάζεται ESVM-Fuzzy Inference Trader. Το προτεινόμενο μοντέλο χρησιμοποιείται για την πρόβλεψη των δεικτών DAX και FTSE 100. Τα αποτελέσματα του ESVM Fuzzy Inference Trader ξεπέρασαν σε απόδοση τις παραδοσιακές μεθόδους καθώς και μια εξελιγμένη τεχνική μηχανικής μάθησης. / The purpose of the present thesis is to develop a method for extracting efficient and interpretable investment rules, using methods of Computational Intelligence. The investment rules are automatically extracted from the system and suggest the strategy to be followed by a user. They are revealing the correlation between inputs and provide information on profitable investment strategies. Computational intelligence (CI) constitutes a subbranch of Artificial Intelligence (AI) that includes the design and development of theories and methods with a sound biological understanding alongside their application to solve real world problems. A system is computationally intelligent when it deals with only numerical (low level) data, has pattern recognition components, does not use knowledge in the AI sense and additionally when it (begins to) exhibit i) computational adaptivity, ii) computational fault tolerance, iii) speed approaching human-like turn around and iv) error rates that approximate human performance. The CI algorithms consist of models that are trained from examples with the aid of a tutor (supervised learning) and models that are self-adapted (unsupervised learning) The problem in the current approaches for predicting economic indicators is the non-interpretability of results. While there are strong computational models, such as genetic algorithms and support vector machines their results are not interpretable. On the other hand fuzzy logic models create interpretable results, but lack the power to produce efficient rules. The model proposed in this paper combines the three previous methods is called ESVM-Fuzzy Inference Trader. The proposed model is used to predict the indices DAX and FTSE 100. The results of ESVM Fuzzy Inference Trader outperformed traditional methods as well as an advanced machine learning technique.