AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Οικονομικών Επιστημών / School of Economics Τμήμα Οικονομικής Επιστήμης / Department of Economics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Price correlation of key assets with emphasis on time lag

Alternative Title :	Συσχέτιση της τιμής βασικών περιουσιακών στοιχείων με έμφαση στη χρονική υστέρηση

Creator :	Ιωακείμ, Νίκη Ioakeim, Niki

Contributor :	Spiliotis, Evangelos (Επιβλέπων καθηγητής) Tzavalis, Elias (Εξεταστής) Antoniou, Fabio (Εξεταστής) Athens University of Economics and Business, Department of Economics (Degree granting institution)

Type :	Text

Extent :	104p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10202

Abstract :	Η παρούσα διπλωματική εργασία έχει σαν στόχο την εξέταση των συσχετίσεων μεταξύ βασικών περιουσιακών στοιχείων με χρονικές υστερήσεις. Έτσι, στην προσπάθεια να εξεταστούν οι αλληλεπιδράσεις των περιουσιακών στοιχείων με χρονικές υστερήσεις, κατασκευάστηκαν επτά βασικοί κλάδοι, συγκεκριμένα οι κλάδοι της ενέργειας, των υλικών, των χρηματοοικονομικών, της υγειονομικής περίθαλψης, της τεχνολογίας, των κρυπτονομισμάτων και της γεωργίας. Μετά από εκτενή ανάλυση των διασταυρούμενων συσχετίσεων μεταξύ των επτά βασικών κλάδων, δημιουργήθηκαν μοντέλα μηχανικής μάθησης όπως η γραμμική παλινδρόμηση και τα δέντρα αποφάσεων για την πρόβλεψη της κίνησης κάθε κλάδου σχετικά με τις χρονικές υστερήσεις των άλλων κλάδων καθώς και την αξιολόγηση των πιο κρίσιμων κλάδων πρόβλεψης. Τα κύρια ευρήματα σχετικά με το πρώτο μέρος της ανάλυσης υπογραμμίζουν ότι οι κλάδοι της ενέργειας και των χρηματοοικονομικών συσχετίζονται σε μεγάλο βαθμό με τα κρυπτονομίσματα με υστερήσεις 12 και 1, αντίστοιχα. Αντίθετα, οι κλάδοι των υλικών και της υγειονομικής περίθαλψης συσχετίζονται περισσότερο με τον κλάδο της τεχνολογίας με υστέρηση 1. Επιπλέον, τα κρυπτονομίσματα και η γεωργία συσχετίζονται στενά με τους κλάδους των χρηματοοικονομικών και της υγειονομικής περίθαλψης με υστέρηση 1. Από την άλλη, όσον αφορά το δεύτερο μέρος της έρευνας, το οποίο περιλαμβάνει τα εμπειρικά αποτελέσματα, οι δύο σημαντικότεροι προγνωστικοί παράγοντες φάνηκαν να είναι οι κλάδοι της τεχνολογίας και των κρυπτονομισμάτων. Τέλος, το πιο ακριβές μοντέλο όσον αφορά την πρόβλεψη και την απόδοση αποδείχθηκε το μοντέλο αναφοράς, με το δέντρο παλινδρόμησης να παρουσιάζει τη χειρότερη προγνωστική ικανότητα. This thesis aims to examine the correlations between key assets with time lags. So, in seeking to consider the asset interrelations with time delays, seven key sectors were constructed, specifically the sectors of energy, materials, financials, healthcare, technology, cryptocurrencies, and agriculture. After an extensive analysis of the cross-correlations between the seven key sectors, machine learning models such as linear regression and decision trees were created to predict each sector’s movement regarding the time lags of other sectors and evaluate the most critical predictor sectors. The main findings concerning the first part of the analysis highlight that energy and financial sectors are highly correlated with cryptocurrencies at lags 12 and 1, respectively. In contrast, the materials and healthcare sectors correlate more with the technology sector at lag 1. Furthermore, cryptocurrencies and agriculture are strongly correlated with the sectors of financials and healthcare at lag one. On the other hand, regarding the second part, which the empirical results included, the two most important predictors appeared to be the sectors of technology and cryptocurrencies in total. Finally, the most accurate model in terms of prediction and performance proved to be the benchmark model, with the regression tree presenting the worst predictive capability.

Abstract :

Η παρούσα διπλωματική εργασία έχει σαν στόχο την εξέταση των συσχετίσεων μεταξύ βασικών περιουσιακών στοιχείων με χρονικές υστερήσεις. Έτσι, στην προσπάθεια να εξεταστούν οι αλληλεπιδράσεις των περιουσιακών στοιχείων με χρονικές υστερήσεις, κατασκευάστηκαν επτά βασικοί κλάδοι, συγκεκριμένα οι κλάδοι της ενέργειας, των υλικών, των χρηματοοικονομικών, της υγειονομικής περίθαλψης, της τεχνολογίας, των κρυπτονομισμάτων και της γεωργίας. Μετά από εκτενή ανάλυση των διασταυρούμενων συσχετίσεων μεταξύ των επτά βασικών κλάδων, δημιουργήθηκαν μοντέλα μηχανικής μάθησης όπως η γραμμική παλινδρόμηση και τα δέντρα αποφάσεων για την πρόβλεψη της κίνησης κάθε κλάδου σχετικά με τις χρονικές υστερήσεις των άλλων κλάδων καθώς και την αξιολόγηση των πιο κρίσιμων κλάδων πρόβλεψης. Τα κύρια ευρήματα σχετικά με το πρώτο μέρος της ανάλυσης υπογραμμίζουν ότι οι κλάδοι της ενέργειας και των χρηματοοικονομικών συσχετίζονται σε μεγάλο βαθμό με τα κρυπτονομίσματα με υστερήσεις 12 και 1, αντίστοιχα. Αντίθετα, οι κλάδοι των υλικών και της υγειονομικής περίθαλψης συσχετίζονται περισσότερο με τον κλάδο της τεχνολογίας με υστέρηση 1. Επιπλέον, τα κρυπτονομίσματα και η γεωργία συσχετίζονται στενά με τους κλάδους των χρηματοοικονομικών και της υγειονομικής περίθαλψης με υστέρηση 1. Από την άλλη, όσον αφορά το δεύτερο μέρος της έρευνας, το οποίο περιλαμβάνει τα εμπειρικά αποτελέσματα, οι δύο σημαντικότεροι προγνωστικοί παράγοντες φάνηκαν να είναι οι κλάδοι της τεχνολογίας και των κρυπτονομισμάτων. Τέλος, το πιο ακριβές μοντέλο όσον αφορά την πρόβλεψη και την απόδοση αποδείχθηκε το μοντέλο αναφοράς, με το δέντρο παλινδρόμησης να παρουσιάζει τη χειρότερη προγνωστική ικανότητα.
This thesis aims to examine the correlations between key assets with time lags. So, in seeking to consider the asset interrelations with time delays, seven key sectors were constructed, specifically the sectors of energy, materials, financials, healthcare, technology, cryptocurrencies, and agriculture. After an extensive analysis of the cross-correlations between the seven key sectors, machine learning models such as linear regression and decision trees were created to predict each sector’s movement regarding the time lags of other sectors and evaluate the most critical predictor sectors. The main findings concerning the first part of the analysis highlight that energy and financial sectors are highly correlated with cryptocurrencies at lags 12 and 1, respectively. In contrast, the materials and healthcare sectors correlate more with the technology sector at lag 1. Furthermore, cryptocurrencies and agriculture are strongly correlated with the sectors of financials and healthcare at lag one. On the other hand, regarding the second part, which the empirical results included, the two most important predictors appeared to be the sectors of technology and cryptocurrencies in total. Finally, the most accurate model in terms of prediction and performance proved to be the benchmark model, with the regression tree presenting the worst predictive capability.

Subject :	Τιμές περιουσιακών στοιχείων Διασταυρούμενες συσχετίσεις Κλάδοι Δείκτες Μηχανική μάθηση Asset prices Cross correlations Sectors Indexes Machine learning (ML)

Date Available :	2023-03-14 14:30:58

Date Issued :	31-01-2023

Date Submitted :	2023-03-14 14:30:58

Access Rights :	Free access

Licence :

File: Ioakeim_2023.pdf

Type: application/pdf

Login