| Περίληψη : | The need to know the future has always been present, while when it comes to the financial sector, being able to build predictive models may result in significant gains and limited losses when it comes to making investment decisions. Forecasting is regularly conducted based on historical data which build up time series. Time series consist of a size measured over time. This thesis findings support that various statistical models may be applied in order to identify patterns in time series as well as in order to process time series and break them down into known components. Breaking a time series down into known components, whose movement may be more easily predicted, or building statistical models which may fit the time series actual data with respectful accuracy has always been a hot topic, yet gaining increasing interest over the past few decades, as a result of the increasing complexity and risk in modern financial markets. The existing literature in the field of time series and time series analysis for building forecasting models has been reviewed thoroughly in this thesis. Moreover, the theory has been put in use, using eViews for forecasting the prices of Tesla and Dassault Systemes, two stock with rather different characteristics, which are traded in different markets. Regression based forecasting models as well as ARMA models have been build in this thesis, reaching significant forecasting accuracy, especially for the Dassault Systemes stock. Building forecasting models for the Tesla stock proved to be rather challenging, towards which breaking the sample period down to smaller periods or inserting more variables is proposed to increase the forecasting accuracy.
Η ανάγκη να γνωρίζουμε το μέλλον ήταν πάντα παρούσα, ενώ όταν πρόκειται για τον χρηματοπιστωτικό τομέα, η δυνατότητα δημιουργίας προγνωστικών μοντέλων μπορεί να οδηγήσει σε σημαντικά κέρδη και περιορισμένες απώλειες όταν πρόκειται για λήψη επενδυτικών αποφάσεων. Η πρόβλεψη πραγματοποιείται τακτικά με βάση ιστορικά δεδομένα που δημιουργούν χρονοσειρές. Οι χρονοσειρές αποτελούνται από ένα μέγεθος που μετράται με την πάροδο του χρόνου. Τα ευρήματα αυτής της διατριβής υποστηρίζουν ότι μπορούν να εφαρμόσουν διάφορα στατιστικά μοντέλα για τον εντοπισμό προτύπων σε χρονοσειρές καθώς και για την επεξεργασία χρονοσειρών και τη διάσπαση τους σε γνωστά συστατικά. Η διάσπαση μιας χρονικής σειράς σε γνωστά στοιχεία, των οποίων η κίνηση μπορεί να προβλεφθεί ευκολότερα, ή η δημιουργία στατιστικών μοντέλων που να ταιριάζουν με τα πραγματικά δεδομένα των χρονικών σειρών με σεβασμό στην ακρίβεια ήταν πάντα ένα φλέγον θέμα, αλλά κέρδισε αυξανόμενο ενδιαφέρον τις τελευταίες δεκαετίες, αποτέλεσμα της αυξανόμενης πολυπλοκότητας και κινδύνου στις σύγχρονες χρηματοπιστωτικές αγορές. Η παρούσα βιβλιογραφία στον τομέα της ανάλυσης χρονικών σειρών και χρονοσειρών για μοντέλα πρόβλεψης κτιρίων έχει αναθεωρηθεί διεξοδικά σε αυτή τη διατριβή. Επιπλέον, η θεωρία έχει χρησιμοποιηθεί, χρησιμοποιώντας eViews για την πρόβλεψη των τιμών των Tesla και Dassault Systemes, δύο μετοχών με μάλλον διαφορετικά χαρακτηριστικά, που διαπραγματεύονται σε διαφορετικές αγορές. Τα μοντέλα πρόβλεψης που βασίζονται σε παλινδρόμηση καθώς και τα μοντέλα ARMA έχουν δημιουργηθεί σε αυτήν τη διατριβή, επιτυγχάνοντας σημαντική ακρίβεια πρόβλεψης, ειδικά για το απόθεμα της Dassault Systemes. Τα μοντέλα πρόβλεψης για τη μετοχή της Tesla αποδείχθηκαν μάλλον δελεαστικά, προς τα οποία προτείνεται η διάσπαση της περιόδου του δείγματος σε μικρότερες περιόδους ή η εισαγωγή περισσότερων μεταβλητών για την αύξηση της ακρίβειας πρόβλεψης.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.