| Abstract : | Ο αντικειμενικός σκοπός αυτής της εργασίας είναι να εξετάσει και να αξιολογήσει την επίδραση που έχει ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας στις Ευρωπαϊκές χρηματοοικονομικές αγορές. Εφαρμόζουμε τέσσερα διαφορετικά μοντέλα, μεταξύ άλλων και μοντέλα μηχανικής μάθησης, για να αξιολογήσουμε την επίδραση που έχουν ορισμένοι παράγοντες που επηρεάζονται από διεθνή γεγονότα, όπως ο πόλεμος, στις αποδόσεις τριών μετοχικών δεικτών. Από την εφαρμογή κάθε μοντέλου λαμβάνουμε, για κάθε έναν από τους τρεις δείκτες, τους παράγοντες εκείνους που επηρέαζουν περισσότερο τις αποδόσεις τους. Πιο συγκεκριμένα, χρησιμοποιύμε την πολλαπλή γραμμική παλινδρόμηση, το μοντέλο Lasso, regression decision trees, και τον αλγόριθμο random forest.Επιπλέον, χρησιμοποιούμε τα μοντέλα που προαναφέρθηκαν, εκτός από την πολλαπλή γραμμική παλινδρόμηση, για να κάνουμε προβλέψεις σχετικά με τις αποδόσεις των δεικτών τα τέσσερα επόμενα έτη μετά τον Ιούλιο του 2019. Προκειμένου να γίνουν αυτές οι προβλέψεις, χωρίζουμε το αρχικό σύνολο των δεδομένων σε δύο υποσύνολα, το in-sample και το out-of-sample, όπου το δεύτερο υποσύνολο περιλαμβάνει τις αποδόσεις των δεικτών για τα τέσσερα τελευταία έτη. Αφού λάβουμε αυτές τις προβλέψεις για τις αποδόσεις, χρησιμοποιούμε το μέτρο MSE για να συγκρίνουμε τα αποτελέσματα από τα τρία μοντέλα και να συζητήσουμε αν κάποιο από αυτά είναι πιο αξιόπιστο κάνοντας πιο ακριβείς προβλέψεις.
The aim of this thesis is to examine the impact of the Russia-Ukraine war on European financial markets. We employ four different models, including machine learning models, to evaluate the effect of several factors affected by international shocks, such as the war, on the returns of three financial indices. From each model, we receive the most significant independent variables regarding their impact on the indices. Specifically, we use the multiple linear regression model, the Lasso model, regression decision trees, and the random forest algorithm for each one of the indices. Furthermore, we use the models that were previously mentioned, except for the multiple linear regression, to make out-of-sample predictions for the next four years after July 2019. In all three methods, we split the initial dataset into two subsets, the in-sample and the out-of-sample datasets, where the out-of-sample set includes the returns for the last four years. After computing the forecasted returns from each model, we use the MSE performance measure to compare the results from these methods and conclude by discussing whether one of them makes more accurate and reliable predictions concerning the indices’ returns.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.