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 Διεθνών και Ευρωπαϊκών Οικονομικών Σπουδών / Department of International and European Economic Studies Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	S&P 500 returns based on machine learning techniques and macro-economic factors

Alternative Title :	Αποδόσεις του δείκτη S&P 500 με βάση τις τεχνικές μηχανικής μάθησης και τους μακροοικονομικούς παράγοντες

Creator :	Τζιμάνης, Δημήτριος Tzimanis, Dimitrios

Contributor :	Βρόντος, Ιωάννης (Επιβλέπων καθηγητής) Τοπάλογλου, Νικόλαος (Εξεταστής) Ντέμος, Αντώνιος (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διεθνών και Ευρωπαϊκών Οικονομικών Σπουδών (Degree granting institution)

Type :	Text

Notes :	Η εργασία περιέχει παράρτημα και βιβλιογραφικές αναφορές.

Extent :	65σ.

Language :	el

Abstract :	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

Abstract :

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

Subject :	Παλινδρόμηση Μοντέλα χρονοσειρών Τεχνικές μηχανικής μάθησης Μακροοικονομικοί παράγοντες Αποτελέσματα Regression Time series Machine learning techniques Macroeconomic factors Outputs

Date Issued :	03-04-2024

Date Submitted :	2024-04-10 12:18:06

Date Accepted :	2024-04-10 12:34:53

Access Rights :	Free access

Licence :

File: Tzimanis_2024.pdf

Type: application/pdf

Login