Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	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

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 :	Τζιμάνης, Δημήτριος Tzimanis, Dimitrios

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

Τύπος :	Text

Σημείωση :	Η εργασία περιέχει παράρτημα και βιβλιογραφικές αναφορές.

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

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 Τεχνικές μηχανικής μάθησης Μακροοικονομικοί παράγοντες Αποτελέσματα Regression Time series Machine learning techniques Macroeconomic factors Outputs

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 :

Αρχείο: Tzimanis_2024.pdf

Τύπος: application/pdf

Είσοδος