Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Tsami, Eirini"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Machine learning for value at risk in US stock market
    (2025-03-24) Τσάμη, Ειρήνη; Tsami, Eirini; Zacharias, Eleftherios; Pagratis, Spyros; Dendramis, Yiannis
    Η παρούσα εργασία εξετάζει τη χρήση οικονομετρικών και μεθόδων μηχανικής μάθησης για την εκτίμηση της Αξίας σε Κίνδυνο (Value at Risk - VaR) στις χρηματοπιστωτικές αγορές των ΗΠΑ. Εστιάζει σε τρία σημαντικά χρηματοοικονομικά περιουσιακά στοιχεία: τον δείκτη S&P 500, την εταιρεία Apple Inc., και τη συναλλαγματική ισοτιμία EUR/USD. Η ανάλυση βασίζεται σε ιστορικά δεδομένα αποδόσεων και αξιολογεί τη συμπεριφορά της μεταβλητότητας μέσω παραδοσιακών μοντέλων GARCH (EGARCH, GJR-GARCH) και τεχνικών μηχανικής μάθησης όπως η Ridge, Lasso και Elastic Net παλινδρόμηση. Τα αποτελέσματα δείχνουν διαφοροποίηση στην αποδοτικότητα των μοντέλων ανάλογα με το περιουσιακό στοιχείο, με το EGARCH να αποδίδει καλύτερα για την Apple, ενώ το GJR-GARCH είναι πιο κατάλληλο για τον S&P 500 και το EUR/USD. Τα μοντέλα μηχανικής μάθησης παρουσιάζουν παρόμοια προγνωστική ακρίβεια, με μικρό προβάδισμα στο Lasso και το Elastic Net ως προς την επιλογή μεταβλητών. Για την εκτίμηση του κινδύνου, η εργασία εφαρμόζει τρεις βασικές μεθόδους υπολογισμού της VaR: παραμετρική, προσομοίωση Monte Carlo και Θεωρία Ακραίων Τιμών (EVT). Η παραμετρική προσέγγιση βασίζεται σε κανονική και t-κατανομή, με την τελευταία να προσαρμόζεται καλύτερα στις ακραίες τιμές της αγοράς. Συνολικά, η EVT παρέχει πιο συντηρητικές και ρεαλιστικές εκτιμήσεις κινδύνου, αποφεύγοντας την υποεκτίμηση του κινδύνου ουράς που χαρακτηρίζει τα παραδοσιακά μοντέλα.