Πλοήγηση ανά Επιβλέπων "Dendramis, Yiannis"

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

Τώρα δείχνει 1 - 4 από 4

Applied econometrics for high frequency trading: a maching learning approach
(2025-03-24) Chatigia, Mikelino; Χατίγια, Μικελίνο; Pagratis, Spyros; Tzavalis, Elias; Dendramis, Yiannis
Η εργασία, εξετάζει την προβλεψιμότητα των συναλλαγών υψηλής συχνότητας, αξιοποιώντας προηγμένα οικονομετρικά μοντέλα και μεθόδους μηχανικής μάθησης. Συγκεκριμένα, αναλύονται τρεις βασικές προβλεπτικές μεταβλητές—η απόδοση συναλλαγών, η κατεύθυνση των τιμών και η διάρκεια συναλλαγών—με δεδομένα από επιλεγμένες μετοχές του NASDAQ 100. Τα αποτελέσματα καταδεικνύουν ότι η διάρκεια των συναλλαγών παρουσιάζει υψηλή προβλεψιμότητα, ενώ η προβλεψιμότητα των αποδόσεων είναι περιορισμένη αλλά υπαρκτή. Εξετάζεται επίσης η επίδραση των χαρακτηριστικών ρευστότητας, της καθυστέρησης στην εκτέλεση εντολών και ο ρόλος της ροής εντολών στην πρόβλεψη των αγοραίων μεταβολών. Η μελέτη προσφέρει σημαντικές προεκτάσεις για τις αλγοριθμικές συναλλαγές και τη θεωρία της αγοράς, αναδεικνύοντας τη δυνητική αξία της μηχανικής μάθησης στη βελτίωση των στρατηγικών διαπραγμάτευσης.
The effects of macroeconomic shocks on economic activity: a big data perspective
(2025-02-07) Κατσάρας, Σπυρίδων; Katsaras, Spyridon; Tzavalis, Elias; Antoniou, Fabio; Dendramis, Yiannis
Η συγκεκριμένη εργασία, κατά το μεγαλύτερο μέρος της αποτελεί μια βιβλιογραφική ανασκόπηση γύρω από το θέμα της ταυτοποίησης απρόσμενων γεγονότων, αλλιώς γνωστά ως 'σοκ', τα οποία έρχονται να διαταράξουν τα δεδομένα και τις ισορροπίες μεταξύ διαφόρων μακροοικονομικών μεταβλητών. Εκτός από την ταυτοποίηση και απομόνωση των παραπάνω διαταρακτικών όρων, γίνεται μια σημαντική προσπάθεια πρόβλεψης της επιρροής των όρων επάνω σε μακροικονομικές μεταβλητές ενδιαφέροντος. Πιο συγκεκριμένα, δίνεται μεγάλη έμφαση πρωτίστως στην εύρεση του χρονικού σημείου όπου η επιρροή πρωτογίνεται αντιληπτή, εν συνεχεία στην αναγνώριση της χρονικής περιόδου για την οποία θα διαρκέσει η επιρροή και τέλος στις μεταβολές της έντασης των επιδράσεων. Στην παρούσα εργασία, έχουν επιλεγεί εννέα μέθοδοι μέσω των οποίων επιτυγχάνονται τα παραπάνω. Συνεπώς, το κύριο μέρος της εργασίας αφορά την εισαγωγή του αναγνώστη στις βασικές έννοιες των μεθόδων καθώς και μια συνοπτική αλλά και περιεκτική επεξήγηση του τρόπου λειτουργίας τους μέσω παρουσίασης θεωρίας αλλά και του αντίστοιχου τυπολογίου. Τέλος, η εργασία ολοκληρώνεται με μια εμπειρική εφαρμογή της παραπάνω θεωρίας, χρησιμοποιώντας στην πράξη μια από τις εννέα μεθόδους, με αληθινά δεδομένα, έχοντας ως τελικό σκοπό της διερεύνηση της ικανότητας των οικονομετρικών μεθόδων να ανταπεξέλθουν απέναντι σε ένα πρακτικό, ελαφρώς προσαρμοσμένο οικονομικό ζήτημα. Έπειτα από την παρουσίαση των διαδικασιών της εμπειρικής εφαρμογής, τα αποτελέσματα παρουσιάζονται και σχολιάζονται.
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.
Predictability in high frequency data
(2025-03-13) Platigenis, Polivios; Πλατυγένης, Πολύβιος; Tzavalis, Elias; Zacharias, Eleftherios; Dendramis, Yiannis
Η παρούσα μελέτη ερευνά την προβλεψιμότητα των υψηλής συχνότητας οικονομικών δεδομένων χρησιμοποιώντας έναν συνδυασμό των παραδοσιακών οικονομετρικών μοντέλων και προηγμένων τεχνικών μηχανικής μάθησης. Τα περιβάλλοντα υψηλής συχνότητας συναλλαγών χαρακτηρίζονται από περίπλοκες κινήσεις τιμών, ακανόνιστες δομές δεδομένων και θόρυβο στη μικροδομή, προκαλώντας προκλήσεις για την βραχυπρόθεσμη ακριβή πρόβλεψη. Παρόλο που έχει γίνει εκτενής έρευνα σχετικά με την προβλεψιμότητα των χρηματοοικονομικών αγορών, υπάρχουν ακόμη κενά στην αξιολόγηση της σχετικής απόδοσης των παραδοσιακών και μηχανικής μάθησης μοντέλων στα περιβάλλοντα υψηλής συχνότητας. Για την αντιμετώπιση αυτού, η μελέτη αναλύει δεδομένα συναλλαγών και προσφορών από τέσσερις εισηγμένες εταιρείες (AAPL, GME, AUTL, και XOM) κατά τη διάρκεια πέντε συνεχόμενων ημερών συναλλαγών. Χρησιμοποιώντας τη Μέθοδο Ελάχιστων Τετραγώνων (OLS) με την Ανάλυση Κύριων Συνιστωσών (PCA), τα Δάση Τυχαίων Δέντρων, και τα Νευρωνικά Δίκτυα, η έρευνα αξιολογεί την αποτελεσματικότητα αυτών των μοντέλων στην πρόβλεψη βραχυπρόθεσμων επιστροφών συναλλαγών και της κατεύθυνσης της τιμής σε διαστήματα 5 δευτερολέπτων και 30 δευτερολέπτων. Υλοποιήθηκε μια αυστηρή διαδικασία προεπεξεργασίας δεδομένων για τον ευθυγραμμισμό και τη δημιουργία των μεταβλητών προβλέπουσας και αποκρίσεως, διασφαλίζοντας συνέπεια διαμέσου των συνεδριάσεων συναλλαγών. Τα αποτελέσματα αποκαλύπτουν ότι τα μοντέλα μηχανικής μάθησης υπερέχουν των παραδοσιακών προσεγγίσεων παλινδρόμησης, με τα Νευρωνικά Δίκτυα να επιδεικνύουν την υψηλότερη εξηγηματική ισχύ για τις προβλέψεις επιστροφών. Τα Δάση Τυχαίων Δέντρων αποτυπώνουν αποτελεσματικά τις μη-γραμμικές σχέσεις αλλά εμφανίζουν μεγαλύτερη διακύμανση στις προβλέψεις. Η κατευθυντική πρόβλεψη παραμένει εγγενώς προκλητική, με την ακρίβεια ταξινόμησης να υπερβαίνει μόνο ελαφρώς την τυχαία εικασία. Οι μετρικές ρευστότητας και διαστήματος αναδεικνύονται ως οι πιο επιδραστικές προβλέπουσες, ενισχύοντας τον ρόλο τους στη μικροδομή της αγοράς. Αυτά τα ευρήματα συμβάλλουν στη βιβλιογραφία σχετικά με την προβλεψιμότητα των υψηλής συχνότητας οικονομικών δεδομένων, επισημαίνοντας τα πλεονεκτήματα και τους περιορισμούς των διάφορων προσεγγίσεων μοντελοποίησης. Η μελέτη τονίζει την πολυπλοκότητα των βραχυπρόθεσμων προβλέψεων της αγοράς και προτείνει ότι οι μελλοντικές έρευνες διερευνήσουν στρατηγικές υβριδικής μοντελοποίησης, αρχιτεκτονικές βαθιάς μάθησης και βελτιωμένες τεχνικές μηχανικής χαρακτηριστικών για τη βελτίωση της προβλεπτικής απόδοσης. Με τον συνδυασμό οικονομετρικών και μηχανικής μάθησης μεθοδολογιών, αυτή η έρευνα παρέχει πολύτιμες πληροφορίες για το εξελισσόμενο τοπίο του υψηλής συχνότητας οικονομικού μοντελοποίησης.