| Abstract : | Η κατοικία είναι ένα ουσιαστικό μέρος της οικονομίας, καθώς παίζει έναν θεμελιώδη ρόλο στον πλούτο, τις επενδύσεις, τις δαπάνες, τις κοινωνικές δυναμικές και τη συνολική σταθερότητα. Συνεπώς, υπάρχει μια αυξανόμενη ανάγκη να προβλεφθεί η εξέλιξή της.Ενώ, παραδοσιακά, τα περιουσιακά στοιχεία προβλέπονται χρησιμοποιώντας μεθόδους παρεκβολής, προτείνεται ότι η μελέτη της αγοράς ακινήτων σε ένα ευρύτερο οικονομικό πλαίσιο αποφέρει βέλτιστα αποτελέσματα. Η έρευνα έχει εκμεταλλευτεί την αυξανόμενη διαθεσιμότητα προηγμένων εργαλείων στατιστικής και μηχανικής μάθησης για να ενσωματώσει μακροοικονομική πληροφορία.Η Ελλάδα είναι ένα χαρακτηριστικό παράδειγμα οικονομίας που επηρεάστηκε σοβαρά από την έκρηξη της στεγαστικής φούσκας το 2007. Η επακόλουθη οικονομική κρίση και οι έντονες, διαρκείς επιπτώσεις της σε πολλαπλούς μακροοικονομικούς δείκτες επαληθεύουν την αλληλεπίδραση της αγοράς ακίνητης περιουσίας με τους άλλους τομείς. Ως αποτέλεσμα, παρουσιάζονται ταυτόχρονα έντονες ανωμαλίες σε στεγαστικούς και μακροικονομικούς δείκτες, όπως απότομες αλλαγές και ακραίες τιμές.Ο σκοπός αυτής της εργασίας είναι να εξετάσει αν η συμπερίληψη μακροοικονομικής πληροφοριας στη διαδικασία μοντελοποίησης ενισχύει την πρόβλεψη, ειδικά όταν τόσο οι τιμές ακινήτων όσο και οι συμπληρωματικοί δείκτες είναι εξαιρετικά ασταθείς, όπως στην περίπτωση της Ελλάδας. Ο στόχος είναι να προσδιοριστεί αν η προσθήκη μακροοικονομικής πληροφοριας είναι πλέον χρήσιμη ή, αντίθετα, διαστρεβλωτική.Για να επιτευχθεί αυτό, μοντελοποιούνται οι τιμές κατοικιών τριών ελληνικών περιοχών, χρησιμοποιώντας μονομεταβλητές και πολυμεταβλητές μεθόδους. Στην πρώτη κατηγορία, χρησιμοποιούνται παραδοσιακά εργαλεία ανάλυσης χρονοσειρών, όπως η μέθοδος Box–Jenkins, η εκθετική εξομάλυνση Holt-Winters και το φίλτρο Hodrick-Prescott. Από την άλλη πλευρά, οι μέθοδοι αιτιότητας Granger και συνολοκλήρωσης εφαρμόζονται στις τιμές ακινήτων και στους μακροοικονομικούς δείκτες, για να ενσωματώσουν τις δυναμικές σχέσεις τους στις προβλέψεις.Η αξιολόγηση καθορίζει ποια από τις δύο κατηγορίες μοντέλων — μονομεταβλητά ή πολυμεταβλητά — είναι πιο αποτελεσματική στην πρόβλεψη των τιμών ακινήτων στην Ελλάδα για μια τριετία. Ελπίζεται ότι τα αποτελέσματα θα αξιολογίσουν τη χρήση της μακροοικονομικής πληροφορίας στην πρόβλεψη μέσα σε ένα σύνθετο οικονομικό περιβάλλον.
Housing is an essential part of the economy, as it plays a fundamental role in its wealth, investment, expenditure, social dynamics and overall stability. Consequently, there is a growing need to anticipate its evolution. While, traditionally, assets are forecasted using extrapolative methods, it is suggested that studying the housing market in a broader economic context yields richer results. Research has leveraged the growing availability of advanced statistical and machine learning tools to incorporate macroeconomic information.Greece is a characteristic example of an economy severely affected by the burst of the housing bubble of 2007. The subsequent economic crisis and its intense, lasting effects across multiple macroeconomic indicators verifies the interconnection of real estate and all other sectors, resulting in many irregularities in both, like abrupt changes and extreme values.The scope of this thesis is to examine if the inclusion of macroeconomic information in the modeling process enhances the forecasting performance, especially when both housing prices and complementary indicators are highly volatile, as in the case of Greece. The aim is to determine whether the addition of macroeconomic information is valuable, as opposed to being distortive.To achieve this, the aggregate residential prices of three Greek regions are modeled, using univariate and multivariate methods. For the extrapolative framework, traditional time series analysis tools are deployed, like the Box–Jenkins method, Holt-Winters exponential smoothing and the HP filter. On the other hand, Granger causality and cointegration methods, are applied to housing prices and macroeconomic indices, to integrate their dynamic relationships into forecasting. The assessment determines which of the two classes of models —extrapolative or multivariate— has been more effective in forecasting housing prices in Greece in a three-year period. It is hoped that the results will offer insights into the value of macroeconomic information for forecasting within a complex economic environment.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.