Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Μεταπτυχιακές Εργασίες

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/15

Περιήγηση

Πλοήγηση Μεταπτυχιακές Εργασίες ανά Θέμα "ACF"

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
    Forecasting natural gas prices using advanced econometric models and machine learning techniques
    (22-10-2024) Χιούση, Έρινα; Chiousi, Erina; Athens University of Economics and Business, Department of Statistics; Kyriakidis, Epaminondas; Psarakis, Stelios; Vrontos, Ioannis
    Η αστάθεια και η απρόβλεπτη φύση των τιμών του φυσικού αερίου παρουσιάζουν σημαντικές προκλήσεις για επενδυτές, υπεύθυνους χάραξης πολιτικής και συμμετέχοντες στην αγορά ενέργειας. Αυτή η μελέτη εξετάζει την αποτελεσματικότητα διαφόρων τεχνικών μοντελοποίησης για την ανάλυση των τιμών του φυσικού αερίου στην αγορά των ΗΠΑ. Συγκρίνει στατιστικές μεθόδους και μεθόδους μηχανικής μάθησης, όπως την Πολλαπλή Γραμμική Παλινδρόμηση, τα μοντέλα Αυτοπαλίνδρομης Κινούμενου Μέσου (ARMA), τα Γενικευμένα Αυτοπαλίνδρομα μοντέλα Ετεροσκεδαστικότητας (GARCH). Τα ιστορικά δεδομένα των τιμών του φυσικού αερίου και οι σχετικοί μακροοικονομικοί δείκτες χρησιμοποιούνται για την αξιολόγηση κάθε μοντέλου. Αυτά τα μοντέλα αξιολογούνται με βάση στατιστικά μέτρα για τον προσδιορισμό της προβλεπτικής τους ικανότητας απόδοσης. Τα ευρήματα αποκαλύπτουν ότι τα παραδοσιακά μοντέλα πολλαπλής γραμμικής παλινδρόμησης έχουν περιορισμένη ακρίβεια λόγω της μη κανονικότητας,αυτοσυσχέτισης και της ετεροσκεδαστικότητας στα κατάλοιπα των δεδομένων. Αντίθετα, τα μοντέλα GARCH με κατανομή Student-t καταφέρνουν να συλλάβουν τη συσσώρευση της μεταβλητότητας και τις παχές άκρες της κατανομής, παρέχοντας χρήσιμες προβλέψεις για την ποσοστιαία μεταβολή των τιμών. Η εφαρμογή αυτών των τεχνικών μοντελοποίησης καθώς και τεχνικών μηχανικής μάθησης, όπως το Lasso και το Ridge, διερευνά επίσης αν η παρουσία πολυγραμμικότητας οδηγεί στον αποκλεισμό μεταβλητών. Όλα αυτά τα μοντέλα παράγουν παρόμοια αποτελέσματα, επιβεβαιώνοντας ότι ορισμένες μεταβλητές που είχαν ταυτοποιηθεί από προηγούμενα μοντέλα είναι σημαντικές, αν και επιπλέον μεταβλητές θεωρούνται απαραίτητες για τη μοντελοποίηση των μεταβολών των τιμών.