δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Πρόβλεψη χρηματοοικονομικών χρονολογικών σειρών με οικονομετρικά και μηχανικής μάθησης μοντέλα
(EL)
Predictability of financial time series using econometric and machine learning models
(EN)
Η πρόβλεψη χρηματοοικονομικών χρονοσειρών είναι ένα κρίσιμο μέρος της χρηματοοικονομικής και επενδυτικής διαχείρισης, προσφέροντας οξυδερκείς πληροφορίες για πιθανές τάσεις της αγοράς, βοηθώντας τους επενδυτές να κάνουν σοφές επιλογές. Για τις τεχνικές κατανομής περιουσιακών στοιχείων, διαχείρισης κινδύνου και συναλλαγών, η ακριβής πρόβλεψη των οικονομικών χρονοσειρών είναι απαραίτητη. Εξαιτίας της αβεβαιότητας και των μη γραμμικών συνιστωσών που τις απαρτίζουν, οι αγορές είναι εξαιρετικά περίπλοκες όταν πρόκειται να προβλέψει κανείς την τιμή μιας μετοχής, καθώς οι τιμές τους ταλαντεύονται σε άνοδο και κάθοδο με απρόβλεπτο τρόπο. Ο σκοπός της εργασίας αυτής είναι να εξετάσει αν οι προβλέψεις που δημιουργούνται από τον άνθρωπο μέσα από χρονοσειρές και απλά οικονομετρικά μοντέλα είναι ανώτερες των προβλέψεων που γίνονται με επικρατέστερες μεθόδους, οι οποίες περιλαμβάνουν σημαντικό βαθμό κρίσης και να καθορίσει εάν μπορούμε να βελτιώσουμε την προβλεπτική τους ακρίβεια αξιοποιώντας οικονομετρικά μοντέλα και μηχανική μάθηση.
(EL)
Financial time series forecasting is a crucial part of financial and investment management, offering insightful information on potential market trends and assisting investors in making wise choices. For asset allocation, risk management, and trading techniques, precise forecasting of financial time series is essential. Due to unpredictability and non-linear data components, markets are extremely complicated to predict the stock’s next movement while it oscillates up and down in an erratic manner. The purpose of this study is to examine whether predictions created by simple time-series and econometric models that forecasters can quickly estimate and utilize are superior to forecasts produced by consensus forecasts, which involve a significant degree of judgement and to determine whether we can enhance forecast accuracy by utilizing econometric and machine learning models.
(EN)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Οικονομικό Πανεπιστήμιο Αθηνών
