{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3478074"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3478074","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Detecting manipulation in the Stock Market: historical overview and comparative analysis of traditional methods and artificial intelligence","abstract":"Η χειραγώγηση του χρηματιστηρίου αποτελεί ένα σοβαρό ζήτημα, το οποίο υπονομεύει την ακεραιότητα των αγορών και κλονίζει την εμπιστοσύνη των επενδυτών. Παρά τις προσπάθειες των ρυθμιστικών αρχών, η χειραγώγηση συνεχίζει να εξελίσσεται, γεγονός που καθιστά επιτακτική την ανάγκη ανάπτυξης αποτελεσματικών μεθόδων ανίχνευσής της. Στόχος της παρούσας διπλωματικής εργασίας είναι να προσφέρει μια συνολική θεώρηση της χειραγώγησης του χρηματιστηρίου, διερευνώντας τόσο τους ορισμούς και τις κατηγορίες της όσο και τις μεθόδους εντοπισμού της. Αρχικά καταγράφονται οι βασικοί ορισμοί και ακολουθεί επισκόπηση των τύπων χειραγώγησης, οι οποίοι ταξινομούνται και σχολιάζονται βάσει επιλεγμένων κριτηρίων, όπως η καταλληλότητα ποιοτικών ή ποσοτικών μεθόδων και η πρόσβαση στο Βιβλίο Εντολών. Στη συνέχεια, παρατίθεται σύντομη ιστορική ανασκόπηση, όπου παρουσιάζονται χαρακτηριστικές περιπτώσεις χειραγώγησης και η ανταπόκριση των εποπτικών αρχών και της επιστημονικής κοινότητας. Αναλύεται ο ρόλος του κανονιστικού πλαισίου και των εποπτικών αρχών, η εξέλιξη των στατιστικών μεθόδων και η χρήση τους στις χρηματιστηριακές αγορές, καθώς και η εμφάνιση των συστημάτων τεχνητής νοημοσύνης. Ακολούθως, γίνεται σύγκριση μεταξύ των παραδοσιακών στατιστικών και οικονομετρικών μεθόδων και των σύγχρονων συστημάτων εποπτείας των αγορών, τα οποία βασίζονται στην τεχνητή νοημοσύνη. Στο πλαίσιο αυτό, παρουσιάζεται ένα παράδειγμα με την αναπαράσταση των δύο προσεγγίσεων μέσω προγράμματος σε Python, το οποίο υλοποιεί ένα μοντέλο ARIMA και ένα μοντέλο Random Forest, χρησιμοποιώντας δεδομένα από το πρώτο εξάμηνο του 2021 για τη μετοχή της GameStop — εταιρεία που αποτέλεσε στόχο εκτεταμένου σορταρίσματος. Τέλος, εξετάζονται τα οφέλη και οι περιορισμοί της τεχνητής νοημοσύνης στον τομέα της εποπτείας του χρηματιστηρίου. Μετά την παράθεση σχετικών προβληματισμών, εξάγονται τα βασικά συμπεράσματα. Διαπιστώνεται η συμπληρωματική σχέση μεταξύ στατιστικής, οικονομετρίας και τεχνητής νοημοσύνης, τονίζεται η αναπόφευκτη ενσωμάτωση της τελευταίας στην εποπτεία των αγορών, ενώ αναδεικνύονται και οι σοβαρές ανησυχίες για τη διατήρηση του υγιούς ανταγωνισμού στον τομέα αυτό, καθώς η υϊοθέτηση της τεχνητής νοημοσύνης δύναται να προκαλέσει στρεβλώσεις. Συμπληρωματικά περιλαμβάνονται προτάσεις στήριξης της ‘Δημοκρατίας των Αγορών’ όπως η δημιουργία κρατικών προγραμμάτων για τη διασφάλισή της.","abstract_html":"Η χειραγώγηση του χρηματιστηρίου αποτελεί ένα σοβαρό ζήτημα, το οποίο υπονομεύει την ακεραιότητα των αγορών και κλονίζει την εμπιστοσύνη των επενδυτών. Παρά τις προσπάθειες των ρυθμιστικών αρχών, η χειραγώγηση συνεχίζει να εξελίσσεται, γεγονός που καθιστά επιτακτική την ανάγκη ανάπτυξης αποτελεσματικών μεθόδων ανίχνευσής της. Στόχος της παρούσας διπλωματικής εργασίας είναι να προσφέρει μια συνολική θεώρηση της χειραγώγησης του χρηματιστηρίου, διερευνώντας τόσο τους ορισμούς και τις κατηγορίες της όσο και τις μεθόδους εντοπισμού της. Αρχικά καταγράφονται οι βασικοί ορισμοί και ακολουθεί επισκόπηση των τύπων χειραγώγησης, οι οποίοι ταξινομούνται και σχολιάζονται βάσει επιλεγμένων κριτηρίων, όπως η καταλληλότητα ποιοτικών ή ποσοτικών μεθόδων και η πρόσβαση στο Βιβλίο Εντολών. Στη συνέχεια, παρατίθεται σύντομη ιστορική ανασκόπηση, όπου παρουσιάζονται χαρακτηριστικές περιπτώσεις χειραγώγησης και η ανταπόκριση των εποπτικών αρχών και της επιστημονικής κοινότητας. Αναλύεται ο ρόλος του κανονιστικού πλαισίου και των εποπτικών αρχών, η εξέλιξη των στατιστικών μεθόδων και η χρήση τους στις χρηματιστηριακές αγορές, καθώς και η εμφάνιση των συστημάτων τεχνητής νοημοσύνης. Ακολούθως, γίνεται σύγκριση μεταξύ των παραδοσιακών στατιστικών και οικονομετρικών μεθόδων και των σύγχρονων συστημάτων εποπτείας των αγορών, τα οποία βασίζονται στην τεχνητή νοημοσύνη. Στο πλαίσιο αυτό, παρουσιάζεται ένα παράδειγμα με την αναπαράσταση των δύο προσεγγίσεων μέσω προγράμματος σε Python, το οποίο υλοποιεί ένα μοντέλο ARIMA και ένα μοντέλο Random Forest, χρησιμοποιώντας δεδομένα από το πρώτο εξάμηνο του 2021 για τη μετοχή της GameStop — εταιρεία που αποτέλεσε στόχο εκτεταμένου σορταρίσματος. Τέλος, εξετάζονται τα οφέλη και οι περιορισμοί της τεχνητής νοημοσύνης στον τομέα της εποπτείας του χρηματιστηρίου. Μετά την παράθεση σχετικών προβληματισμών, εξάγονται τα βασικά συμπεράσματα. Διαπιστώνεται η συμπληρωματική σχέση μεταξύ στατιστικής, οικονομετρίας και τεχνητής νοημοσύνης, τονίζεται η αναπόφευκτη ενσωμάτωση της τελευταίας στην εποπτεία των αγορών, ενώ αναδεικνύονται και οι σοβαρές ανησυχίες για τη διατήρηση του υγιούς ανταγωνισμού στον τομέα αυτό, καθώς η υϊοθέτηση της τεχνητής νοημοσύνης δύναται να προκαλέσει στρεβλώσεις. Συμπληρωματικά περιλαμβάνονται προτάσεις στήριξης της ‘Δημοκρατίας των Αγορών’ όπως η δημιουργία κρατικών προγραμμάτων για τη διασφάλισή της.","abstract_has_math":false,"creators":["Ντάνου Ελένη","Ntanou Eleni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:21Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3478074"],"render_values":[{"text":"uoadl:3478074","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3478074","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3478074","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3478074","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ντάνου Ελένη","Ntanou Eleni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3478074","https://pergamos.lib.uoa.gr/uoa/dl/object/3478074"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η χειραγώγηση του χρηματιστηρίου αποτελεί ένα σοβαρό ζήτημα, το οποίο υπονομεύει την ακεραιότητα των αγορών και κλονίζει την εμπιστοσύνη των επενδυτών. Παρά τις προσπάθειες των ρυθμιστικών αρχών, η χειραγώγηση συνεχίζει να εξελίσσεται, γεγονός που καθιστά επιτακτική την ανάγκη ανάπτυξης αποτελεσματικών μεθόδων ανίχνευσής της. Στόχος της παρούσας διπλωματικής εργασίας είναι να προσφέρει μια συνολική θεώρηση της χειραγώγησης του χρηματιστηρίου, διερευνώντας τόσο τους ορισμούς και τις κατηγορίες της όσο και τις μεθόδους εντοπισμού της. Αρχικά καταγράφονται οι βασικοί ορισμοί και ακολουθεί επισκόπηση των τύπων χειραγώγησης, οι οποίοι ταξινομούνται και σχολιάζονται βάσει επιλεγμένων κριτηρίων, όπως η καταλληλότητα ποιοτικών ή ποσοτικών μεθόδων και η πρόσβαση στο Βιβλίο Εντολών. Στη συνέχεια, παρατίθεται σύντομη ιστορική ανασκόπηση, όπου παρουσιάζονται χαρακτηριστικές περιπτώσεις χειραγώγησης και η ανταπόκριση των εποπτικών αρχών και της επιστημονικής κοινότητας. Αναλύεται ο ρόλος του κανονιστικού πλαισίου και των εποπτικών αρχών, η εξέλιξη των στατιστικών μεθόδων και η χρήση τους στις χρηματιστηριακές αγορές, καθώς και η εμφάνιση των συστημάτων τεχνητής νοημοσύνης. Ακολούθως, γίνεται σύγκριση μεταξύ των παραδοσιακών στατιστικών και οικονομετρικών μεθόδων και των σύγχρονων συστημάτων εποπτείας των αγορών, τα οποία βασίζονται στην τεχνητή νοημοσύνη. Στο πλαίσιο αυτό, παρουσιάζεται ένα παράδειγμα με την αναπαράσταση των δύο προσεγγίσεων μέσω προγράμματος σε Python, το οποίο υλοποιεί ένα μοντέλο ARIMA και ένα μοντέλο Random Forest, χρησιμοποιώντας δεδομένα από το πρώτο εξάμηνο του 2021 για τη μετοχή της GameStop — εταιρεία που αποτέλεσε στόχο εκτεταμένου σορταρίσματος. Τέλος, εξετάζονται τα οφέλη και οι περιορισμοί της τεχνητής νοημοσύνης στον τομέα της εποπτείας του χρηματιστηρίου. Μετά την παράθεση σχετικών προβληματισμών, εξάγονται τα βασικά συμπεράσματα. Διαπιστώνεται η συμπληρωματική σχέση μεταξύ στατιστικής, οικονομετρίας και τεχνητής νοημοσύνης, τονίζεται η αναπόφευκτη ενσωμάτωση της τελευταίας στην εποπτεία των αγορών, ενώ αναδεικνύονται και οι σοβαρές ανησυχίες για τη διατήρηση του υγιούς ανταγωνισμού στον τομέα αυτό, καθώς η υϊοθέτηση της τεχνητής νοημοσύνης δύναται να προκαλέσει στρεβλώσεις. Συμπληρωματικά περιλαμβάνονται προτάσεις στήριξης της ‘Δημοκρατίας των Αγορών’ όπως η δημιουργία κρατικών προγραμμάτων για τη διασφάλισή της.","Stock market manipulation is a grave issue that undermines the integrity of the markets as well as investors’ trust. Despite regulatory effort, manipulation continues to evolve, a fact that makes it essential to develop effective detection methods. This thesis aims to provide a comprehensive understanding of stock market manipulation by exploring its definitions, types, and detection methods. After manipulation definitions are provided, there is an overview of stock market manipulation types that are classified and commented on under a selection of criteria, such as the suitability of qualitative or quantitative methods for its detection, or the necessity for Order Book access. Then follows a brief historical overview which showcases manipulative instances and the response from the authorities and the scientists. We read about the role of regulations, the evolution of statistics and its implication in the stock market, and about the birth of artificially intelligent systems. Afterwards, we proceed to compare the traditional methods of statistics and econometrics to AI-augmented monitoring systems, and then we explore an illustration of both approaches in a programme that was created in python, which employs an ARIMA and a Random Forest model and uses the Gamestop stock and data from a short-squeezing scheme, focusing on the events of the first half of 2021. Lastly we read about the benefits and limitations of artificial intelligence in the field of stock market monitoring, and, after mentioning several concerns, we arrive at the conclusions. Here, we deduce the complimentary nature of statistics, econometrics and artificial intelligence, the inevitability of AI adoption in market surveillance, and the seriousness of the concerns regarding competition in the field, including the possible necessity of government support schemes to safeguard it."]},{"key":"dc:title","label":"Title","values":["Detecting manipulation in the Stock Market: historical overview and comparative analysis of traditional methods and artificial intelligence"]}]}],"canonical_facts":{"dc:creator":["Ντάνου Ελένη","Ntanou Eleni"],"dc:date":["2025"],"dc:description":["Η χειραγώγηση του χρηματιστηρίου αποτελεί ένα σοβαρό ζήτημα, το οποίο υπονομεύει την ακεραιότητα των αγορών και κλονίζει την εμπιστοσύνη των επενδυτών. Παρά τις προσπάθειες των ρυθμιστικών αρχών, η χειραγώγηση συνεχίζει να εξελίσσεται, γεγονός που καθιστά επιτακτική την ανάγκη ανάπτυξης αποτελεσματικών μεθόδων ανίχνευσής της. Στόχος της παρούσας διπλωματικής εργασίας είναι να προσφέρει μια συνολική θεώρηση της χειραγώγησης του χρηματιστηρίου, διερευνώντας τόσο τους ορισμούς και τις κατηγορίες της όσο και τις μεθόδους εντοπισμού της. Αρχικά καταγράφονται οι βασικοί ορισμοί και ακολουθεί επισκόπηση των τύπων χειραγώγησης, οι οποίοι ταξινομούνται και σχολιάζονται βάσει επιλεγμένων κριτηρίων, όπως η καταλληλότητα ποιοτικών ή ποσοτικών μεθόδων και η πρόσβαση στο Βιβλίο Εντολών. Στη συνέχεια, παρατίθεται σύντομη ιστορική ανασκόπηση, όπου παρουσιάζονται χαρακτηριστικές περιπτώσεις χειραγώγησης και η ανταπόκριση των εποπτικών αρχών και της επιστημονικής κοινότητας. Αναλύεται ο ρόλος του κανονιστικού πλαισίου και των εποπτικών αρχών, η εξέλιξη των στατιστικών μεθόδων και η χρήση τους στις χρηματιστηριακές αγορές, καθώς και η εμφάνιση των συστημάτων τεχνητής νοημοσύνης. Ακολούθως, γίνεται σύγκριση μεταξύ των παραδοσιακών στατιστικών και οικονομετρικών μεθόδων και των σύγχρονων συστημάτων εποπτείας των αγορών, τα οποία βασίζονται στην τεχνητή νοημοσύνη. Στο πλαίσιο αυτό, παρουσιάζεται ένα παράδειγμα με την αναπαράσταση των δύο προσεγγίσεων μέσω προγράμματος σε Python, το οποίο υλοποιεί ένα μοντέλο ARIMA και ένα μοντέλο Random Forest, χρησιμοποιώντας δεδομένα από το πρώτο εξάμηνο του 2021 για τη μετοχή της GameStop — εταιρεία που αποτέλεσε στόχο εκτεταμένου σορταρίσματος. Τέλος, εξετάζονται τα οφέλη και οι περιορισμοί της τεχνητής νοημοσύνης στον τομέα της εποπτείας του χρηματιστηρίου. Μετά την παράθεση σχετικών προβληματισμών, εξάγονται τα βασικά συμπεράσματα. Διαπιστώνεται η συμπληρωματική σχέση μεταξύ στατιστικής, οικονομετρίας και τεχνητής νοημοσύνης, τονίζεται η αναπόφευκτη ενσωμάτωση της τελευταίας στην εποπτεία των αγορών, ενώ αναδεικνύονται και οι σοβαρές ανησυχίες για τη διατήρηση του υγιούς ανταγωνισμού στον τομέα αυτό, καθώς η υϊοθέτηση της τεχνητής νοημοσύνης δύναται να προκαλέσει στρεβλώσεις. Συμπληρωματικά περιλαμβάνονται προτάσεις στήριξης της ‘Δημοκρατίας των Αγορών’ όπως η δημιουργία κρατικών προγραμμάτων για τη διασφάλισή της.","Stock market manipulation is a grave issue that undermines the integrity of the markets as well as investors’ trust. Despite regulatory effort, manipulation continues to evolve, a fact that makes it essential to develop effective detection methods. This thesis aims to provide a comprehensive understanding of stock market manipulation by exploring its definitions, types, and detection methods. After manipulation definitions are provided, there is an overview of stock market manipulation types that are classified and commented on under a selection of criteria, such as the suitability of qualitative or quantitative methods for its detection, or the necessity for Order Book access. Then follows a brief historical overview which showcases manipulative instances and the response from the authorities and the scientists. We read about the role of regulations, the evolution of statistics and its implication in the stock market, and about the birth of artificially intelligent systems. Afterwards, we proceed to compare the traditional methods of statistics and econometrics to AI-augmented monitoring systems, and then we explore an illustration of both approaches in a programme that was created in python, which employs an ARIMA and a Random Forest model and uses the Gamestop stock and data from a short-squeezing scheme, focusing on the events of the first half of 2021. Lastly we read about the benefits and limitations of artificial intelligence in the field of stock market monitoring, and, after mentioning several concerns, we arrive at the conclusions. Here, we deduce the complimentary nature of statistics, econometrics and artificial intelligence, the inevitability of AI adoption in market surveillance, and the seriousness of the concerns regarding competition in the field, including the possible necessity of government support schemes to safeguard it."],"dc:identifier":["uoadl:3478074","https://pergamos.lib.uoa.gr/uoa/dl/object/3478074"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Detecting manipulation in the Stock Market: historical overview and comparative analysis of traditional methods and artificial intelligence"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:21Z"}