Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Predictability of financial series using econometric models and machine learning techniques

Εναλλακτικός τίτλος :	Προβλεψιμότητα χρηματοοικονομικών σειρών χρησιμοποιώντας οικονομετρικά μοντέλα και τεχνικές μηχανικής μάθησης

Δημιουργός :	Tsiantis, Theodoros Τσιαντής, Θεόδωρος

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Psarakis, Stelios (Εξεταστής) Livada, Alexandra (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	112p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10667

Περίληψη :	Ο S&P 500 είναι ένας χρηματιστηριακός δείκτης που μετρά την απόδοση 500 μεγάλων εταιρειών που είναι εισηγμένες σε αμερικανικά χρηματιστήρια. Θεωρείται ευρέως ως ένας σημαντικός δείκτης της απόδοσης και της σταθερότητας του χρηματιστηρίου των ΗΠΑ και χρησιμοποιείται από τους επενδυτές ως σημείο αναφοράς για την επενδυτική τους απόδοση.Οι τεχνικές μηχανικής μάθησης μπορούν να αποτελέσουν πολύτιμο εργαλείο για επενδυτές που θέλουν να αναλύσουν και να κάνουν προβλέψεις σχετικά με τον δείκτη S&P 500 και μεμονωμένες μετοχές. Σε αυτή τη διατριβή εφαρμόζονται τεχνικές μηχανικής μάθησης όπως Bagging, Random Forest, Support Vector Machines, AdaBoost, Gradient Boosting, Extreme Gradient Boosting, Logistic Lasso, Logistic Ridge και Logistic Elastic Net regressions. Αυτές οι τεχνικές θα χρησιμοποιηθούν για την πρόβλεψη της κατεύθυνσης κίνησης του δείκτη S&P 500, χρησιμοποιώντας ιστορικά δεδομένα του δείκτη (Αύγουστος 1995 - Δεκέμβριος 2019), καθώς και διάφορους προγνωστικούς παράγοντες, όπως ο δείκτης δολαρίου, η τιμή του πετρελαίου και πολλές άλλες μακροοικονομικές μεταβλητές.Τέλος, θα παρουσιαστεί η σύγκριση των αποτελεσμάτων μεταξύ των μεθόδων προκειμένου να βρεθεί αυτή που είναι πιο αποτελεσματική στην πρόβλεψη της κατεύθυνσης κίνησης του δείκτη S&P 500. The S&P 500 is a stock market index that measures the performance of 500 large companies listed on American stock exchanges. It is widely regarded as a key indicator of the performance and stability of the US stock market and is used by investors as a benchmark for their investment performance.Machine learning techniques can be valuable tools for investors looking to analyze and make predictions about the S&P 500 index and individual stocks. In this thesis, machine learning techniques including Bagging, Random Forest, Support Vector Machines, AdaBoost, Gradient Boosting, Extreme Gradient Boosting, Logistic Lasso, Logistic Ridge, and Logistic Elastic Net regressions are applied. These techniques will be used to predict the direction of movement of the S&P 500 index, using historical data of the index (August 1995 - December 2019), as well as a variety of predictors, such as the dollar index, oil price, and many more macroeconomic variables.Finally, the comparison of the results between the methods will be presented in order to find the one that is more effective in predicting the direction of movement of the S&P 500 index.

Περίληψη :

Ο S&P 500 είναι ένας χρηματιστηριακός δείκτης που μετρά την απόδοση 500 μεγάλων εταιρειών που είναι εισηγμένες σε αμερικανικά χρηματιστήρια. Θεωρείται ευρέως ως ένας σημαντικός δείκτης της απόδοσης και της σταθερότητας του χρηματιστηρίου των ΗΠΑ και χρησιμοποιείται από τους επενδυτές ως σημείο αναφοράς για την επενδυτική τους απόδοση.Οι τεχνικές μηχανικής μάθησης μπορούν να αποτελέσουν πολύτιμο εργαλείο για επενδυτές που θέλουν να αναλύσουν και να κάνουν προβλέψεις σχετικά με τον δείκτη S&P 500 και μεμονωμένες μετοχές. Σε αυτή τη διατριβή εφαρμόζονται τεχνικές μηχανικής μάθησης όπως Bagging, Random Forest, Support Vector Machines, AdaBoost, Gradient Boosting, Extreme Gradient Boosting, Logistic Lasso, Logistic Ridge και Logistic Elastic Net regressions. Αυτές οι τεχνικές θα χρησιμοποιηθούν για την πρόβλεψη της κατεύθυνσης κίνησης του δείκτη S&P 500, χρησιμοποιώντας ιστορικά δεδομένα του δείκτη (Αύγουστος 1995 - Δεκέμβριος 2019), καθώς και διάφορους προγνωστικούς παράγοντες, όπως ο δείκτης δολαρίου, η τιμή του πετρελαίου και πολλές άλλες μακροοικονομικές μεταβλητές.Τέλος, θα παρουσιαστεί η σύγκριση των αποτελεσμάτων μεταξύ των μεθόδων προκειμένου να βρεθεί αυτή που είναι πιο αποτελεσματική στην πρόβλεψη της κατεύθυνσης κίνησης του δείκτη S&P 500.
The S&P 500 is a stock market index that measures the performance of 500 large companies listed on American stock exchanges. It is widely regarded as a key indicator of the performance and stability of the US stock market and is used by investors as a benchmark for their investment performance.Machine learning techniques can be valuable tools for investors looking to analyze and make predictions about the S&P 500 index and individual stocks. In this thesis, machine learning techniques including Bagging, Random Forest, Support Vector Machines, AdaBoost, Gradient Boosting, Extreme Gradient Boosting, Logistic Lasso, Logistic Ridge, and Logistic Elastic Net regressions are applied. These techniques will be used to predict the direction of movement of the S&P 500 index, using historical data of the index (August 1995 - December 2019), as well as a variety of predictors, such as the dollar index, oil price, and many more macroeconomic variables.Finally, the comparison of the results between the methods will be presented in order to find the one that is more effective in predicting the direction of movement of the S&P 500 index.

Λέξη κλειδί :	Μηχανική μάθηση Πρόβλεψη Δείκτης S&P 500 Machine learning (ML) Prediction S&P 500

Ημερομηνία έκδοσης :	11-07-2023

Ημερομηνία κατάθεσης :	31-07-2023

Ημερομηνία αποδοχής :	31-08-2023

Άδεια χρήσης :

Αρχείο: Tsiantis_2023.pdf

Τύπος: application/pdf

Είσοδος