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 Οικονομικής Επιστήμης / Department of Economics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Χρηματοοικονομικές προβλέψεις με εφαρμογές σε τιμές ακινήτων χρησιμοποιώντας R

Δημιουργός :	Τσίκας, Ανδρέας Ν.

Συντελεστής :	Τζαβαλής, Ηλίας (Επιβλέπων καθηγητής) Ντέμος, Αντώνιος (Εξεταστής) Τοπάλογλου, Νικόλαος (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Οικονομικής Επιστήμης (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	160 σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6385

Περίληψη :	Η χρήση και η μελέτη χρονολογικών σειρών για τη πραγματοποίηση προβλέψεων βασίζεται στην αξιοποίηση μαθηματικών μοντέλων που μπορούν να εξηγήσουν τις μελλοντικές τιμές της σειράς και προκύπτουν από τις παρελθοντικές τιμές που έχουν ήδη παρατηρηθεί. Μια πολύ γνωστή μέθοδος πάνω στην οποία εργαζόμαστε σε αυτή τη διπλωματική εργασία, προκειμένου να κάνουμε προβλέψεις για τις τιμές ακινήτων στο μέλλον και χρησιμοποιώντας πραγματικά δεδομένα, είναι η Box-Jenkins. Αυτή η μέθοδος έχει τρία βήματα που εκτελούνται όσες φορές χρειασθεί, μέχρι να καταλήξουμε στο μαθηματικό μοντέλο που χρειαζόμαστε. Στο πρώτο βήμα, επιλέγουμε ένα υπόδειγμα που θεωρούμε ότι αρμόζει στην χρονολογική σειρά, ελέγχοντας προσεκτικά τη στασιμότητα των μεταβλητών που διαχειριζόμαστε και την πιθανή ύπαρξη εποχικότητας στα δεδομένα. Έπειτα, κάνουμε εκτίμηση των παραμέτρων που περιλαμβάνει το συγκεκριμένο υπόδειγμα και πραγματοποιούμε διαγνωστικό έλεγχο στα κατάλοιπα που παράγει το συγκεκριμένο υπόδειγμα, για να επιβεβαιώσουμε τη καταλληλόλητα του. Σκοπός είναι με τη χρήση της μεθόδου Box-Jenkins να επιλέξουμε εκείνο το μοντέλο που χρησιμοποιεί όσο το δυνατόν λιγότερες παραμέτρους (οικονομικότερο μοντέλο) και ταυτόχρονα αποτελεί μια αντιπροσωπευτική εικόνα της χρονολογικής σειράς που θα μπορεί να μας δώσει καλύτερη εικόνα για το μέλλον της. Η δομή του κειμένου της διατριβής χωρίζεται σε οχτώ σημαντικά κεφάλαια, το όγδοο κεφάλαιο περιλαμβάνει τις πρακτικές εφαρμογές που πραγματοποιήθηκαν σε πραγματικά δεδομένα και τα πρώτα εφτά κεφάλαια εξηγούν τις θεωρητικές γνώσεις που χρειάζεται κανείς για να υλοποιήσει τις εφαρμογές. Συγκεκριμένα στο 1ο κεφάλαιο γίνεται συζήτηση για κάποιες βασικές και ουσιαστικές έννοιες που αφορούν την ανάλυση χρονολογικών σειρών και στο 2ο κεφάλαιο γίνεται συζήτηση για τα ARMA (Autoregressive Moving Average) μοντέλα, έχοντας πάρει ως συνθήκη την στασιμότητα της χρονολογικής σειράς. Έπειτα προχωρώντας στο κεφάλαιο 3 βλέπουμε συνοπτικά κάποια πράγματα για την τάση και στη συνέχεια καταλήγουμε στο κεφάλαιο 4 που επεξεργάζεται τα ARIMA (Autoregressive Integrated Moving Average) μοντέλα, δηλαδή τα ολοκληρωμένα ARMA μοντέλα που προκύπτουν έπειτα από τη λήψη διαφορών για την μετατροπή της χρονολογικής σειράς σε στάσιμη. Επίσης στο κεφάλαιο 7 γίνεται μια σύντομη συζήτηση για τα εποχικά ARIMA (SARIMA) υποδείγματα, που μας απασχολούν όταν η χρονολογική σειρά που μελετάμε παρουσιάζει εποχικότητα. Στο κεφάλαιο 5 μελετήσαμε κάποια κριτήρια πληροφορίας που χρησιμοποιούμε για την επιλογή του ιδανικού μοντέλου, τους τρόπους εκτίμησης των παραμέτρων του και την πραγματοποίηση διαγνωστικού ελέγχου στα κατάλοιπα που προκύπτουν από την εφαρμογή του μοντέλου επάνω στη χρονολογική σειρά. Τέλος το 6ο κεφάλαιο αφορά το κομμάτι των προβλέψεων καθώς και την αξιολόγηση της ποιότητας τους μέσα από τη χρήση γνωστών στατιστικών μέτρων. Studying time-series to produce forecasts is based on mathematical models that can explain future values of the time-series and that are produced through the careful analysis of the already observed values. A very well-known methodology which we work with on this thesis, to produce valid forecasts on real estate prices while working with actual observed time-series values, is the Box-Jenkins methodology. This methodology is composed of three steps that are executed as many times as it's needed, until we find the mathematical model that we need. On the first step, we choose a model that we believe fits our data, checking carefully the possibility of non-stationarity in our variables and the possibility of having seasonality in our data. Continuing, we make estimations for the model's parameters and we perform diagnostic tests on the residuals that the fitted model produces, to conclude regarding the model's adequacy. Goal of the Box-Jenkins methodology is for the analyst to choose the model that uses the least parameters (parsimonious model), that simultaneously represents successfully the observed data of the time-series and that will be able to produce good forecasts. The structure of the thesis is composed of eight chapters, the eighth chapter includes the applications of actual forecasts of real observed time-series and the first seven chapters explain all the necessary theoretical knowledge that someone would need to produce these forecasts. To be more precise, on the first chapter we discuss some basic concepts of time-series analysis and on the second chapter we discuss about ARMA (Autoregressive Moving Average) models, having taken as a condition the stationarity of the time-series. Moving on, the third chapter develops the concept of trend and chapter four presents ARIMA (Autoregressive Integrated Moving Average) models, i.e. the integrated ARMA models that arise after taking differences to convert the non-stationary time-series to stationary. Moreover, on chapter seven we make a short discussion on seasonal ARIMA (SARIMA) models, which concerns us when the time-series that we study have seasonal data. During chapter five, we study the information criteria that we utilize to choose the ideal model for the time-series, the methods of estimating the model’s parameters and how to perform diagnostic tests on the residuals that the fitted model produces. Concluding, the sixth chapter is concerned with the produced forecasts and the evaluation of their quality, using known statistical measures.

Περίληψη :

Η χρήση και η μελέτη χρονολογικών σειρών για τη πραγματοποίηση προβλέψεων βασίζεται στην αξιοποίηση μαθηματικών μοντέλων που μπορούν να εξηγήσουν τις μελλοντικές τιμές της σειράς και προκύπτουν από τις παρελθοντικές τιμές που έχουν ήδη παρατηρηθεί. Μια πολύ γνωστή μέθοδος πάνω στην οποία εργαζόμαστε σε αυτή τη διπλωματική εργασία, προκειμένου να κάνουμε προβλέψεις για τις τιμές ακινήτων στο μέλλον και χρησιμοποιώντας πραγματικά δεδομένα, είναι η Box-Jenkins. Αυτή η μέθοδος έχει τρία βήματα που εκτελούνται όσες φορές χρειασθεί, μέχρι να καταλήξουμε στο μαθηματικό μοντέλο που χρειαζόμαστε. Στο πρώτο βήμα, επιλέγουμε ένα υπόδειγμα που θεωρούμε ότι αρμόζει στην χρονολογική σειρά, ελέγχοντας προσεκτικά τη στασιμότητα των μεταβλητών που διαχειριζόμαστε και την πιθανή ύπαρξη εποχικότητας στα δεδομένα. Έπειτα, κάνουμε εκτίμηση των παραμέτρων που περιλαμβάνει το συγκεκριμένο υπόδειγμα και πραγματοποιούμε διαγνωστικό έλεγχο στα κατάλοιπα που παράγει το συγκεκριμένο υπόδειγμα, για να επιβεβαιώσουμε τη καταλληλόλητα του. Σκοπός είναι με τη χρήση της μεθόδου Box-Jenkins να επιλέξουμε εκείνο το μοντέλο που χρησιμοποιεί όσο το δυνατόν λιγότερες παραμέτρους (οικονομικότερο μοντέλο) και ταυτόχρονα αποτελεί μια αντιπροσωπευτική εικόνα της χρονολογικής σειράς που θα μπορεί να μας δώσει καλύτερη εικόνα για το μέλλον της. Η δομή του κειμένου της διατριβής χωρίζεται σε οχτώ σημαντικά κεφάλαια, το όγδοο κεφάλαιο περιλαμβάνει τις πρακτικές εφαρμογές που πραγματοποιήθηκαν σε πραγματικά δεδομένα και τα πρώτα εφτά κεφάλαια εξηγούν τις θεωρητικές γνώσεις που χρειάζεται κανείς για να υλοποιήσει τις εφαρμογές. Συγκεκριμένα στο 1ο κεφάλαιο γίνεται συζήτηση για κάποιες βασικές και ουσιαστικές έννοιες που αφορούν την ανάλυση χρονολογικών σειρών και στο 2ο κεφάλαιο γίνεται συζήτηση για τα ARMA (Autoregressive Moving Average) μοντέλα, έχοντας πάρει ως συνθήκη την στασιμότητα της χρονολογικής σειράς. Έπειτα προχωρώντας στο κεφάλαιο 3 βλέπουμε συνοπτικά κάποια πράγματα για την τάση και στη συνέχεια καταλήγουμε στο κεφάλαιο 4 που επεξεργάζεται τα ARIMA (Autoregressive Integrated Moving Average) μοντέλα, δηλαδή τα ολοκληρωμένα ARMA μοντέλα που προκύπτουν έπειτα από τη λήψη διαφορών για την μετατροπή της χρονολογικής σειράς σε στάσιμη. Επίσης στο κεφάλαιο 7 γίνεται μια σύντομη συζήτηση για τα εποχικά ARIMA (SARIMA) υποδείγματα, που μας απασχολούν όταν η χρονολογική σειρά που μελετάμε παρουσιάζει εποχικότητα. Στο κεφάλαιο 5 μελετήσαμε κάποια κριτήρια πληροφορίας που χρησιμοποιούμε για την επιλογή του ιδανικού μοντέλου, τους τρόπους εκτίμησης των παραμέτρων του και την πραγματοποίηση διαγνωστικού ελέγχου στα κατάλοιπα που προκύπτουν από την εφαρμογή του μοντέλου επάνω στη χρονολογική σειρά. Τέλος το 6ο κεφάλαιο αφορά το κομμάτι των προβλέψεων καθώς και την αξιολόγηση της ποιότητας τους μέσα από τη χρήση γνωστών στατιστικών μέτρων.
Studying time-series to produce forecasts is based on mathematical models that can explain future values of the time-series and that are produced through the careful analysis of the already observed values. A very well-known methodology which we work with on this thesis, to produce valid forecasts on real estate prices while working with actual observed time-series values, is the Box-Jenkins methodology. This methodology is composed of three steps that are executed as many times as it's needed, until we find the mathematical model that we need. On the first step, we choose a model that we believe fits our data, checking carefully the possibility of non-stationarity in our variables and the possibility of having seasonality in our data. Continuing, we make estimations for the model's parameters and we perform diagnostic tests on the residuals that the fitted model produces, to conclude regarding the model's adequacy. Goal of the Box-Jenkins methodology is for the analyst to choose the model that uses the least parameters (parsimonious model), that simultaneously represents successfully the observed data of the time-series and that will be able to produce good forecasts. The structure of the thesis is composed of eight chapters, the eighth chapter includes the applications of actual forecasts of real observed time-series and the first seven chapters explain all the necessary theoretical knowledge that someone would need to produce these forecasts. To be more precise, on the first chapter we discuss some basic concepts of time-series analysis and on the second chapter we discuss about ARMA (Autoregressive Moving Average) models, having taken as a condition the stationarity of the time-series. Moving on, the third chapter develops the concept of trend and chapter four presents ARIMA (Autoregressive Integrated Moving Average) models, i.e. the integrated ARMA models that arise after taking differences to convert the non-stationary time-series to stationary. Moreover, on chapter seven we make a short discussion on seasonal ARIMA (SARIMA) models, which concerns us when the time-series that we study have seasonal data. During chapter five, we study the information criteria that we utilize to choose the ideal model for the time-series, the methods of estimating the model’s parameters and how to perform diagnostic tests on the residuals that the fitted model produces. Concluding, the sixth chapter is concerned with the produced forecasts and the evaluation of their quality, using known statistical measures.

Λέξη κλειδί :	Αγορά ακινήτων Χρονολογική σειρά Προβλέψεις Τιμές ακινήτων Μέθοδος Box-Jenkins Real estate Time series analysis Forecasts Box-Jenkins method R

Διαθέσιμο από :	2018-07-10 22:23:07

Ημερομηνία έκδοσης :	07/10/2018

Ημερομηνία κατάθεσης :	2018-07-10 22:23:07

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Tsikas_2018.pdf

Τύπος: application/pdf

Είσοδος