|
| Συλλογές |
|
| Τίτλος |
S&P 500 returns based on machine learning techniques and macro-economic factors
|
| Εναλλακτικός τίτλος |
Αποδόσεις του δείκτη S&P 500 με βάση τις τεχνικές μηχανικής μάθησης και τους μακροοικονομικούς παράγοντες
|
| Δημιουργός |
Tzimanis, Dimitrios, Τζιμάνης, Δημήτριος
|
| Συντελεστής |
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διεθνών και Ευρωπαϊκών Οικονομικών Σπουδών
Ντέμος, Αντώνιος
Βρόντος, Ιωάννης
Τοπάλογλου, Νικόλαος
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
65σ.
|
| Γλώσσα |
el
|
| Περίληψη |
Η παρούσα μελέτη εστιάζει στην ανάλυση των στατιστικά σημαντικών μακροοικονομικών μεταβλητών που επηρεάζουν τις αποδόσεις του δείκτη S&P 500. Χρησιμοποιώντας δεδομένα που αναφέρονται σε ένα εύρος 20 ετών, εφαρμόζουμε διάφορες μεθόδους ανάλυσης όπως παλινδρομήσεις, μοντέλα χρονοσειρών και μοντέλα ARCH και GARCH. Εξετάζουμε τη σημασίατων μεταβλητών PPI, Real M1 Money Stock, Real M2 Money Stock, Unemployment Rate, EPU και New Privately-Owned Housing Units Started: Total Units στις αποδόσεις του S&P 500. Τα αποτελέσματα αναδεικνύουν τη σημαντική συσχέτιση αυτών των μεταβλητών με τον δείκτη S&P 500, καθιστώντας τες καθοριστικές για την κατανόηση και πρόβλεψη των αποδόσεών του. Οι προτάσεις για μελλοντική έρευνα περιλαμβάνουν την επέκταση του χρονικού διαστήματος, τη χρήση πιο προηγμένων μοντέλων και την ανάλυση για τη βελτίωση της πρόβλεψης και κατανόησης των αποδόσεων του S&P 500.
The present study focuses on analyzing the statistically significant macroeconomic variables influencing the returns of the S&P 500 index. Utilizing data spanning a 20-year period, we employ various analysis methods including regressions, time series models, and ARCH and GARCH models. We examine the significance of variables such as PPI, Real M1 Money Stock, Real M2 Money Stock, Unemployment Rate, EPU, and New Privately-Owned Housing Units Started: Total Units on the S&P 500 returns. The results highlight the significant correlation of these variables with the S&P 500 index, making them critical for understanding and predicting its returns. Suggestions for future research include extending the time horizon, utilizing more advanced models, and conducting interval analysis to enhance the prediction and understanding of S&P 500 returns
|
| Λέξη κλειδί |
Παλινδρόμηση
Μοντέλα χρονοσειρών
Outputs
Macroeconomic factors
Machine learning techniques
Time series
Regression
Αποτελέσματα
Μακροοικονομικοί παράγοντες
Τεχνικές μηχανικής μάθησης
|
| Ημερομηνία έκδοσης |
03-04-2024
|
| Ημερομηνία κατάθεσης |
2024-04-10 12:18:06
|
| Ημερομηνία αποδοχής |
2024-04-10 12:34:53
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|