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/123456789/61

Περιήγηση

Πλοήγηση Μεταπτυχιακές Εργασίες ανά Επιβλέπων "Dendramis, Ioannis"

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
    Comparative analysis of machine learning models for forecasting key macroeconomic variables: an empirical application
    (13-03-2024) Μπογιατζής, Φραντζέσκο; Bojaxhis, Francesko; Athens University of Economics and Business, Department of Economics; Pagratis, Spyridon; Zacharias, Eleftherios; Dendramis, Ioannis
    Σε αυτή την διατριβή παρουσιάζουμε μια έρευνα γύρο από την μακροοικονομική πρόβλεψη, προσπαθώντας να γεφυρώσουμε τους τομείς της κλασικής οικονομετρίας και της μηχανικής μάθησης. Η δομή της χωρίζεται σε τρία διακριτά και αλληλένδετα τμήματα, το καθένα εστιάζοντας σε περίπλοκες πτυχές της μεθοδολογίας.Στο πρώτο τμήμα, η μελέτη αρχίζει με μια εξερεύνηση των δυναμικών οικονομετρικών μοντέλων. Ασχολείται με τα δυναμικά μοντέλα παραγόντων και τις διανυσματικές αυτοπαλινδρομήσεις, προσφέροντας μια λεπτομερή κατανόηση της ικανότητάς τους να αποτυπώνουν τις εξελισσόμενες αλληλεξαρτήσεις στα μακροοικονομικά δεδομένα. Επιπλέον, διερευνά τα μοντέλα πρόβλεψης της μεταβλητότητας και ταυτόχρονα εισέρχεται στον κόσμο των νευρωνικών δικτύων, εξετάζοντας την αποτελεσματικότητά τους στη μοντελοποίηση μη-γραμμικών, δυναμικών και περίπλοκων μοτίβων στα μεγάλα σύνολα οικονομικών δεδομένων.Το δεύτερο τμήμα αναφέρεται στην ανάγκη για την απλότητα και την αποδοτικότητα του μοντέλου. Εξετάζει μεθοδολογίες όπως η ποινικοποιημένη παλινδρόμηση χρονολογικών σειρών, η ανάλυση κύριων συνιστωσών και η στατική ανάλυση παραγόντων, καθώς και τους μέθοδούς υποχώρου, τονίζοντας το ρόλο τους στη άντληση ουσιαστικών πληροφοριών από μεγάλα δεδομένα. Σε αυτό το μέρος επίσης εξετάζονται τεχνικές επιλογής μεταβλητών, αποδεικνύοντας τη σημασία τους στην υπέρβαση των προκλήσεων που παρουσιάζει η "κατάρα των διαστάσεων" στη μακροοικονομική ανάλυση.Το τελευταίο τμήμα κάνει λόγο για τις αβεβαιότητες στην οικονομική πρόβλεψη. Προσφέρει μια περιεκτική αξιολόγηση των στρατηγικών μέσου όρου και συνδυασμού μοντέλων όπως ο συχνοτηκός μέσος όρος, ο μπεϋζιανός μέσος όρος, ο συσσωρευτικός συνδυασμός, ο δασικός αλγόριθμος και οι αλγόριθμοι ενίσχυσης. Επιπλέον, εισέρχεται σε περιοχές της πρόβλεψη πυκνότητας πιθανότητας και της αξιολόγηση των προβλέψεων.Επίσης, σε αυτή την εργασία παρουσιάζουμε μια εμπειρική εφαρμογή που αντιπαραθέτει την αποτελεσματικότητα των προχωρημένων αλγόριθμων μηχανικής μάθησης σε σύγκριση με τα παραδοσιακά οικονομετρικά μοντέλα, παρέχοντας έτσι μια περιεκτική συγκριτική ανάλυση στα πλαίσια της οικονομετρικής πρόβλεψης.