Συλλογές
Τίτλος Modeling and forecasting the S&P 500's Book Value Growth direction using econometric and machine learning models
Εναλλακτικός τίτλος Μοντελοποίηση και πρόβλεψη της κατεύθυνσης BVG του S&P 500 χρησιμοποιώντας οικονομετρικά μοντέλα και μοντέλα μηχανικής μάθησης
Δημιουργός Paschalidi, Olympia, Πασχαλίδη, Ολυμπία
Συντελεστής Psarakis, Stelios
Athens University of Economics and Business, Department of Statistics
Vrontos, Ioannis
Demiris, Nikolaos
Τύπος Text
Φυσική περιγραφή 38p.
Γλώσσα en
Αναγνωριστικό https://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10750
Περίληψη Research Focus: My diploma thesis centers on the critical domain of directional forecasting in financial markets. The primary objective of this research is to develop predictive models that can forecast the direction of Book Value Growth in the S&P 500 index. The study leverages classification models to achieve this purpose, and the methodology incorporates the integration of machine learning techniques to enhance the accuracy of predictions.Methodology: The research methodology comprises the utilization of classification models, including Random Forest, Decision Tree, Probit, Lasso Logit, Ridge Logit, LDA ,QDA and Elastic Net By employing these models, we aim to make predictions regarding the one-month-ahead direction of Book Value Growth. These models are constructed using various economic, financial, and market variables as features. The predictive accuracy and performance of the models are evaluated using out-of-sample dataset.Objectives: The central objectives of this diploma thesis are twofold. Firstly, the research strives to identify the crucial factors that contribute to the predictability of Book Value Growth in the S&P 500 index. Through extensive analysis and model evaluation, the study seeks to uncover the variables and features that significantly impact directional forecasts in financial markets. Secondly, the research aims to demonstrate the potential of machine learning techniques, specifically the Random Forest model, in enhancing the accuracy of financial predictions, shedding light on their relevance in the investment decision-making process.In summary, this diploma thesis is dedicated to advancing our understanding of directional forecasting in financial markets, with a specific focus on the S&P 500 index. By investigating various classification models and incorporating machine learning methods, the study seeks to identify critical factors for improving the predictability of Book Value Growth. The outcomes of this research offer valuable insights for informed investment decisions, emphasizing the potential benefits of machine learning in financial forecasting.
Έρευνα: Η διπλωματική μου εργασία επικεντρώνεται στον κρίσιμο τομέα της πρόβλεψης στις χρηματοοικονομικές αγορές. Ο κύριος στόχος αυτής της έρευνας είναι να αναπτύξει προγνωστικά μοντέλα που μπορούν να προβλέπουν την κατεύθυνση του Book Value growth στο δείκτη S&P 500. Η μελέτη χρησιμοποιεί μοντέλα ταξινόμησης για να επιτύχει αυτόν τον σκοπό, και η μεθοδολογία ενσωματώνει τη χρήση τεχνικών μηχανικής μάθησης για να βελτιώσει την ακρίβεια των προβλέψεων.Μεθοδολογία: Η μεθοδολογία της έρευνας περιλαμβάνει τη χρήση μοντέλων ταξινόμησης, συμπεριλαμβανομένων των μοντέλων Random Forest, Decision Tree, Probit, Lasso Logit, Ridge Logit, LDA, QDA και Elastic Net. Χρησιμοποιώντας αυτά τα μοντέλα, στοχεύουμε στην πρόβλεψη της κατεύθυνσης του book value growth έναν μήνα εμπρός. Αυτά τα μοντέλα δημιουργούνται χρησιμοποιώντας διάφορες οικονομικές, χρηματοοικονομικές και αγοραστικές ανεξάρτητες μεταβλητές . Η ακρίβεια και η απόδοση των μοντέλων αξιολογούνται χρησιμοποιώντας ένα σύνολο δεδομένων out-of-sample .Στόχοι: Οι κεντρικοί στόχοι της διπλωματικής αυτής εργασίας είναι δυο. Καταρχάς, η έρευνα αποσκοπεί στον εντοπισμό των κρίσιμων παραγόντων που συμβάλλουν στην προβλεψιμότητα του book value growth στον δείκτη S&P 500. Μέσα από εκτενή ανάλυση και αξιολόγηση των μοντέλων, η μελέτη επιδιώκει να ανακαλύψει τις μεταβλητές και τα χαρακτηριστικά που επηρεάζουν σημαντικά τις προβλέψεις κατευθύνσεων στις χρηματοοικονομικές αγορές. Δεύτερον, η έρευνα στοχεύει να δείξει την δυνατότητα των τεχνικών μηχανικής μάθησης, κυρίως του μοντέλου Random Forest, στο να βελτιώνει την ακρίβεια των χρηματοοικονομικών προβλέψεων, φωτίζοντας τη σημασία τους στη διαδικασία λήψης επενδυτικών αποφάσεων.Συνοψίζοντας, αυτή η διπλωματική εργασία αφιερώνεται στο να προωθήσει την κατανόησή μας για την κατεύθυνση πρόβλεψης στις χρηματοοικονομικές αγορές, με ειδική εστίαση στον δείκτη S&P 500. Μέσω της έρευνας διερευνούνται διάφορα μοντέλα ταξινόμησης και ενσωματώνονται μέθοδοι μηχανικής μάθησης, με σκοπό τον εντοπισμό των κρίσιμων παραγόντων που βελτιώνουν την προβλεψιμότητα .Τα αποτελέσματα αυτής της έρευνας προσφέρουν πολύτιμες εισηγήσεις για επενδυτικές αποφάσεις, τονίζοντας τα οφέλη της μηχανικής μάθησης στις χρηματοοικονομικές προβλέψεις.
Λέξη κλειδί Directional forecasting
Predictive ability
Machine learning (ML)
Classification models
Econometric models
Πρόβλεψη κατεύθυνσης
Προβλεπτική ικανότητα
Μηχανική μάθηση
Μοντέλα ταξινόμησης
Οικονομετρικά μοντέλα
Ημερομηνία έκδοσης 03-10-2023
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/