Postgraduate dissertations

Permanent URI for this collectionhttps://pyxida.aueb.gr/handle/123456789/61

Browse

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

Now showing 1 - 14 of 14

Big data econometric methods for Value at risk (VaR): and empirical application on stock markets
(2023-02-28) Μοσχόπουλος, Γεώργιος; Moschopoulos, Georgios; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Antoniou, Fabio; Dendramis, Yiannis
Η διπλωματική αυτή αποτελεί μία πλήρη παρουσίαση των διαφορετικών οικονομετρικών μεθόδων που χρησιμοποιούνται για την εκτίμηση του Value at Risk (VaR) στα χρηματοοικονομικά περιβάλλοντα. Ο βασικός στόχος της ανάλυσης μας είναι να επικεντρωθούμε στην παραμετρική προσέγγιση στον υπολογισμό του VaR και να συγκρίνουμε τα αποτελέσματα με την υπάρχουσα βιβλιογραφία. Εφαρμόσαμε διάφορα μοντέλα χρονοσειρών και κατανομών για τις αποδόσεις, καθώς επίσης ελέγξαμε τρία μοντέλα για το volatility που ανήκουν στην οικογένεια των GARCH μοντέλων. Η ανάλυση έγινε πάνω σε τρεις δείκτες από διαφορετικές αγορές μετοχών. Συγκεκριμένα χρησιμοποιήθηκαν ο NASDAQ, ο Euro Stoxx 50 και ο NIKKEI 225 για τη χρονική περίοδο 2013-2022. Σύμφωνα με την επιστημονική μας έρευνα η υπόθεση ασύμμετρων κατανομών για τις εξαρτώμενες συναρτήσεις πυκνότητας των καταλοίπων, κατέληξε σε καλύτερα αποτελέσματα στην πρόβλεψη του VaR ενώ παράλληλα τα μοντέλα για το volatility που δοκιμάστηκαν παρουσίασαν παρόμοια αποτελεσματικότητα.
Big data portfolio optimization & an application to the U.S. stock market
(2022-03-16) Dedemadi, Maria; Δεδεμάδη, Μαρία; Athens University of Economics and Business, Department of Economics; Antoniou, Fabio; Varthalitis, Petros; Dendramis, Yiannis
Choosing the best empirical method for optimizing a portfolio is challenging. Especially today multiple methods are developed to incorporate the big volume of financial data available. Under the traditional optimization technique proposed by Markowitz (1952), many computational inefficiencies occur when the sample covariance matrix is large, leading to estimators that carry a lot of error. In this thesis, we provide a detailed analysis of new complementary econometric approaches appropriate for big data optimization, designed to reduce estimation error, and enhance the portfolio’s performance. We also, present some indicative portfolio diversification strategies. After the theoretical analysis, we use a complex dataset containing high-dimensional data of daily stock values of the U.S. stock market. Constructing the mean-variance and the minimum variance portfolios, we perform an empirical application using three optimization approaches - the sample moments, the naïve (1/Ν) approach and the linear shrinkage estimation proposed by Ledoit & Wolf (2003) - comparing the estimated results. Finally, we show that the linear shrinkage technique outperforms the aforementioned ones, in the presence of big data leading to better portfolio performance.
Data rich econometric modelling and an application to economic forecasting
(2021-03-18) Karelaki, Vasiliki; Καρελάκη, Βασιλική; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Arvanitis, Stylianos; Dendramis, Yiannis
The main focus of this study lies in forecasting time series using data reduction methods. Our objective is to use various shrinkage methods in order to find the optimal model with the best predictive ability. Firstly, we present the Lasso, Ridge regression and the PCR (Principal Components Regression) method. Continuously, we use these methods to forecast two macroeconomic time series. We perform in sample forecasting. Based on our results, the choice of the hyperparameters was the key factor in the forecasting procedure. It is important to mention that the PCR method has a low predictive performance despite the fact that we used only one component. Based on our conclusions the penalization methods perform better than the PCR method.
Econometric modeling of credit risk and application to bankruptcy prediction
(2024-03-14) Μπανίτσκας, Αλέξανδρος; Banitskas, Alexandros; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Antoniou, Fabio; Dendramis, Yiannis
Μετά την παγκόσµια χρηµατοπιστωτική κρίση του 2007, τα χρηµατοπιστωτικά ιδρύµατα έδωσαν αυξηµένη έµφαση στην ανάπτυξη ισχυρών οικονοµετρικών µοντέλων και εργαλείων για την αξιολόγηση της πιστοληπτικής ικανότητας και την πρόβλεψη των πιθανοτήτων χρεοκοπίας στον χρηµατοπιστωτικό τοµέα. Χρησιµοποιώντας ένα νέο σύνολο δεδοµένων, το οποίο περιλαµβάνει ένα χαρτοφυλάκιο δανείων από ελληνική εµπορική τράπεζα, συµπεριλαµβανοµένων των στεγαστικών, καταναλωτικών και µικρών επιχειρήσεων από τον Ιούλιο του 2021 έως τον Δεκέµβριο του 2022. Εξετάζω εµπειρικά τον πιστωτικό κίνδυνο των δανειοληπτών σχετικά µε την πιθανότητα αποπληρωµής του δανείου µέσω οικονοµετρικών µοντέλων όπως µοντέλα παλινδρόµησης, αλγόριθµους µηχανικής µάθησης και νευρωνικά δίκτυα. Οι εκτιµήσεις που προκύπτουν τεκµηριώνουν ότι οι αλγόριθµοι µηχανικής µάθησης και τα νευρωνικά δίκτυα, ιδιαίτερα το Random Forest µοντέλο και το Convolutional Neural Network µοντέλο, µπορούν να διακρίνουν πιο αποτελεσµατικά την πολυπλοκότητα και τις µη γραµµικές σχέσεις µεταξύ των µεταβλητών σε σύγκριση µε τα µοντέλα παλινδρόµησης, καθιστόντας τα έτσι πιο ικανά στην ακριβή πρόβλεψη των περιπτώσεων κινδύνου αθέτησης δανείων συµβάλλοντας ταυτόχρονα στη διαχείριση και τον µετριασµό του πιστωτικού κινδύνου.
Effects of oil prices on fundamental macroeconomic variables: an empirical investigation
(2024-03-01) Βιτωράτου, Αγγελική; Vitoratou, Angeliki; Athens University of Economics and Business, Department of Economics; Antoniou, Fabio; Pagratis, Spyros; Dendramis, Yiannis
Η συγκεκριμένη εργασία ερευνά τις διακυμάνσεις των τιμών του πετρελαίου στις θεμελιώδεις μακροοικονομικές μεταβλητές. Οι παράγοντες που τέθηκαν σε επεξεργασία έχουν βασιστεί στο άρθρο A.Cologni and M.Manera (2008) και αφορούν τα επιτόκια, τον πληθωρισμό, τις συναλλαγματικές ισοτιμίες, τη ζήτηση του χρήματος και το πραγματικό ΑΕΠ. Η διαδικασία διεξάγεται με δεδομένα τριμηνιαίας συχνότητας από τον Ιανουάριο, 01 1990 έως τον Ιανουάριο, 01, 2023. Να προστεθεί ότι η περίοδος που μελετάται περιλαμβάνει αρκετές κρίσεις με πιο πρόσφατες τη πανδημία του COVID-19 και το πόλεμο Ρωσίας Ουκρανίας, οι οποίες έχουν προκαλέσει διαταραχές στην οικονομική δραστηριότητα. Τα δεδομένα αντλήθηκαν από τη Federal Reserve Bank(Fed) και από το International Monetary Fund(IMF) για Ευρώπη (19 χώρες) και τις Ηνωμένες Πολιτείες. Αρχικά, χρησιμοποιήθηκε η μέθοδος Vector Autoregressive Model(VARs) για τη μελέτη της επίδρασης της χρονοσειράς του πετρελαίου στη χρονοσειρά της κάθε μεταβλητής. Έπειτα, για τον εντοπισμό και τη διόρθωση διακυμάνσεων και ετεροσκεδαστικότητας αξιοποιήθηκαν οι μέθοδοι ARCH και GARCH οι οποίες λειτουργούν συνδυαστικά. Ακολουθεί η μέθοδος VECM, η οποία είναι μια ειδική περίπτωση των VAR μοντέλων. Η χρήση της στην εργασία αποσκοπεί στην αλληλεπίδραση των τιμών του πετρελαίου με κάθε μία από τις μακροοικονομικές μεταβλητές. Πράγματι, διαπιστώθηκε ότι ο συντελεστής που επηρεάζεται περισσότερο και έντονα από τις διακυμάνσεις των τιμών του πετρελαίου είναι η συσσώρευση χρήματος σε Ευρώπη και Αμερική. Αυτό το αποτέλεσμα είναι καθοριστικό καθώς συγκλίνει με το άρθρο A.Cologni and M.Manera (2008), στο γεγονός ότι η ζήτηση χρήματος έχει άμεση σύνδεση με την οικονομική δραστηριότητα. Καταλήγουμε επομένως στο συμπέρασμα ότι οι δύο παράγοντες είναι εξαρτημένοι ακολουθώντας τη κλασσική θεωρία του χρήματος. Τέλος, διεξάχθηκαν γραφήματα μακροχρόνιων προβλέψεων τόσο για τις θεμελιώδεις μεταβλητές όσο και για τα κατάλοιπά τους. Στη πρώτη περίπτωση οι προβλέψεις φανερώνουν ότι οι διακυμάνσεις των τιμών του «μαύρου χρυσού» θα εξακολουθήσουν να επηρεάζουν τις μεταβλητές, ενώ στη δεύτερη περίπτωση τα κατάλοιπα θα είναι κανονικά προσαρμοσμένα αλλά θα υπάρχουν περισσότερες αυτοσυσχετίσεις.
Forecasting Value at Risk (VaR) using volatility models: an application to US stock market
(2024-02-29) Ταμπίζιβα, Ευγενία; Tampiziva, Evgenia; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Zacharias, Eleftherios; Dendramis, Yiannis
Στη σημερινή παγκοσμιοποιημένη οικονομία, οι τάσεις που αναπτύσσονται στις χρηματοπιστωτικές αγορές τείνουν να δημιουργούν αβεβαιότητα στις επενδύσεις. Οι ανάγκες χρηματοδότησης και η αύξηση των επιτοκίων δημιουργούν πρόσθετο χρηματοοικονομικό κόστος, με αποτέλεσμα να κρίνεται απαραίτητος ο συνεχής έλεγχος και η ανάλυση οικονομικών δεδομένων, προς αποφυγή πρόσθετου κόστους επενδύσεων με βάση τον αρχικό σχεδιασμό. Στα πλαίσια ανάπτυξης ρυθμιστικών κανόνων για τη λειτουργία των χρηματοπιστωτικών ιδρυμάτων, αναπτύσσεται συχνά ο προβληματισμός σχετικά με τον τρόπο ποσοτικοποίησης του ρίσκου. Ένα από τα βασικότερα εργαλεία μέτρησης και εκτίμησης του επενδυτικού κινδύνου είναι η αξία σε ρίσκο ή, αλλιώς, γνωστή ως Value at Risk (VaR). Οι μεθοδολογίες που αναπτύσσει υπολογίζουν με ακρίβεια, προβλέπουν και αξιολογούν μετοχές, χρηματοοικονομικούς δείκτες και παράγωγα, οδηγώντας σε καίριες επενδυτικές αποφάσεις. Η παρούσα εργασία πραγματεύεται τη μελέτη και ανάπτυξη προβλεπτικών μοντέλων υψηλής μεταβλητότητας, των λεγόμενων volatility μοντέλων και περιλαμβάνει μια πρακτική εφαρμογή στο χρηματιστήριο των ΗΠΑ, στις μετοχές των πολυεθνικών εταιρειών Apple Inc (AAPL) και The Coca-Cola Company (KO). Πιο συγκεκριμένα, τα μοντέλα που αναπτύχθηκαν και μελετήθηκαν ανήκουν στην οικογένεια GARCH και είναι τα εξής: GARCH, e-GARCH, gjr-GARCH, i-GARCH and M-GARCH, υπό κανονική κατανομή, κατανομή Student-t and λοξή κατανομή Student-t. Τα αποτελέσματα της έρευνας προτείνουν την ανάπτυξη των e-GARCH και gjr-GARCH μοντέλων, υπό κανονική κατανομή για την αποτελεσματική πρόβλεψη του επενδυτικού κινδύνου και το μετριασμό πιθανών οικονομικών απωλειών.
Forecasting volatility in the cryptocurrency market: a machine learning approach
(2024-02-13) Αλεξίου, Δημήτριος; Alexiou, Dimitrios; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Antoniou, Fabio; Dendramis, Yiannis
Η πρόβλεψη μεταβλητότητας είναι γνωστό ότι αποτελεί πρόβλημα στον τομέα των οικονομικών. Τα κρυπτονομίσματα βρίσκονται σε άνοδο, απαιτώντας την ανάπτυξη νέων πλαισίων. Στόχος αυτής της διατριβής είναι η πρόβλεψη της μεταβλητότητας των κρυπτονομισμάτων με την εφαρμογή μοντέλων μηχανικής μάθησης και τον εντοπισμό της διαφορετικής φύσης κάθε μοντέλου. Όσον αφορά τη σχετική εργασία, τα feed-forward neural networks (FFNN) τα recurrent neural networks (RNN) και long-short-term-memory που βασίζονται σε δίκτυα έδειξαν αξιοπρεπή ευρήματα στη διεθνή βιβλιογραφία. Η εμπειρική μελέτη επικεντρώνεται στην πρόβλεψη της μεταβλητότητας των Bitcoin, Ethereum, Ripple και Litecoin χρησιμοποιώντας κλασικές μεθοδολογίες (GARCH, Random Forest) και τεχνικές βαθιάς μάθησης (αρχιτεκτονικές MLP, RNN και LSTM) και τη σύγκριση τους ενώ τα μοντέλα λαμβάνουν υπόψη εσωτερικούς και εξωτερικούς καθοριστικούς παράγοντες. Σε αυτή τη διατριβή, το μοντέλο LSTM ξεπερνά τα άλλα μοντέλα που βασίζονται στο τεστ Diebold-Mariano, ενώ λαμβάνοντας υπόψη το MAPE, το MLP παρουσίασε καλύτερα αποτελέσματα από το LSTM για το Ethereum και το Ripple χρησιμοποιώντας εσωτερικούς καθοριστικούς παράγοντες. Ωστόσο, το μοντέλο Random Forest πέτυχε την υψηλότερη κατευθυντική ακρίβεια και χαμηλό RMSE. Αποδείχθηκε ότι οι εσωτερικοί καθοριστικοί παράγοντες προβλέπουν την μεταβλητότητα καλύτερα από τους εξωτερικούς προσδιοριστές. Τέλος, παρέχεται μια ρητή επεξήγηση των βασικών πλεονεκτημάτων και μειονεκτημάτων για κάθε μοντέλο ακολουθούμενη από μια επισκόπηση του έργου για ολόκληρο το έργο και πιθανές βελτιώσεις.
Further analysis in Value at Risk & expected shortfall
(2023-02-28) Μανιάτης, Παναγιώτης; Maniatis, Panagiotis; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Antoniou, Fabio; Dendramis, Yiannis
Στα πλαίσια της εργασίας αναλύονται δύο εργαλεία, "η αξία σε κίνδυνο και το αναμενόμενο έλλειμμα", δύο εργαλεία που αποτελούν μέρος του κινδύνου της αγοράς. Ο τρόπος προσέγγισης είναι η ανάλυση χρονοσειρών και μοντέλων ετεροσκεδαστικότητας που προσδιορίζουν την κατανομή που ακολουθούν οι μετοχές, οι οποίες αποτελούν και αντικείμενο μελέτης, με αποτέλεσμα την πρόβλεψη των δύο αυτών εργαλείων. Η σύγκριση της πρόβλεψης γίνεται σε συνδυασμό με τις πραγματικές τιμές του μοντέλου και η ανάλυση συνοδεύεται από διαγράμματα και πολλαπλές δοκιμές. Τέλος δίνεται έμφαση στη μεταβλητότητα και την διακύμανση που μπορεί να παρουσιαστεί ώστε οι επενδυτές και οι τράπεζες να μπορούν να αντισταθμίσουν τον κίνδυνο αποτελεσματικά και να μπορούν να ανταπεξέλθουν όσο το δυνατόν καλύτερα σε περιόδους που οι απώλειες μπορεί να είναι μεγάλες.
Identification of macroeconomic shocks on large var models
(2022-03-11) Gardikiotis, Nikolaos; Γαρδικιώτης, Νικόλαος; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Varthalitis, Petros; Dendramis, Yiannis
The goal of this dissertation is to study large vector autoregressive models. The vector autoregression has been used extensively to describe the behavior of multivariate time series across time. In recent years, researchers use many economic variables in vector autoregressions as there is evidence that large vector autoregressions tend to forecast better. However, there are some challenges in estimating large vector autoregressions. Typically, large vector autoregressions have far more parameters than observations and some appropriate methods, like shrinkage, regularization or dimension reduction must be used to deal with parameter uncertainty. The estimation of large vector autoregressions also involves the manipulation of large matrices which is computationally intensive. If we allow for more flexible covariance structures in the large vector autoregression, the challenges grow even bigger. We will review a couple of vector autoregressive models, such as Bayesian vector autoregressions, Time-Varying parameter vector autoregressions and the Factor-Augmented vector autoregression (FAVAR). To deal with the “curse of dimensionality”, we will augment the vector autoregression with factors. The FAVAR will contain 123 U.S. macroeconomic indicators and will be estimated by a 2-Step principal components approach. Our results will be compared to those by Bernanke, Boivin and Eliasz from their 2005 paper. Examining the impulse responses of some key macroeconomic indicators to a monetary shock, we find that the FAVAR is able to identify the monetary transmission mechanism.
Integration of machine learning and econometric approaches for loan performance analysis: a comparative study
(2024-03-29) Giannakopoulos, Dimitrios; Γιαννακόπουλος, Δημήτριος; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Pagratis, Spyridon; Dendramis, Yiannis
Assessing credit risk through machine learning typically involves the application of classification algorithms to distinguish between reliable and unreliable customers based on historical data. This thesis delves into the application through extensive literature review of machine learning techniques for credit risk assessment within the banking sector, highlighting the shift from traditional statistical methods to advanced AI-driven algorithms due to their efficiency in handling complex datasets. In extension, the research applies various machine learning models, including logistic regression, decision trees, and random forests, to an unbalanced dataset to assess their impact on predicting loan defaults, AND also explores the use of SMOTE for dataset balancing, aiming to improve model performance in predicting financial outcomes In the analysis of imbalanced datasets, tree-based methodologies demonstrate a marginal superiority over logistic regression as ordinal classifiers. However, logistic regression distinguishes itself with superior discriminative power, as evidenced by higher Area Under the Curve (AUC) score values, across both balanced and imbalanced datasets.
Large dimension portfolio optimization and application to the stock market
(2022-10-31) Τσαραμανίδης, Παναγιώτης; Tsaramanidis, Panagiotis; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Pagratis, Spyros; Dendramis, Yiannis
Είναι υψίστης σημασίας για κάθε επενδυτή να έχει ένα καλά διαφοροποιημένο και βέλτιστο χαρτοφυλάκιο και να βρίσκει τρόπους για να αντιμετωπίσει την κατάρα της διαστασιμότητας (curse of dimensionality). Ως εκ τούτου, ο σκοπός αυτής της διπλωματικής εργασίας είναι να αναλύσει τις διάφορες μεθόδους βελτιστοποίησης χαρτοφυλακίου μεγάλων διαστάσεων σχετικά με μετοχές όπως το μοντέλο ίσων βαρών, τα μοντέλα στατικής και δυναμικής συσχέτισης, τα παραγοντικά μοντέλα, τα Μπεϋζιανά μοντέλα και τα μοντέλα μηχανικής μάθησης. Έγινε εκτενής αξιολόγηση της υπάρχουσας βιβλιογραφίας από τη θεωρία χαρτοφυλακίου του Μάρκοβιτς, καθώς και εμπειρική ανάλυση σχετικά με μεγάλο αριθμό ιστορικών δεδομένων και σύγκριση μοντέλων βελτιστοποίησης μέσω της ικανότητας πρόβλεψης εκτός δείγματος. Τα εμπειρικά ευρήματα υποδηλώνουν ότι, μεταξύ άλλων, τα μοντέλα σταθερής συσχέτισης είναι τα βέλτιστα εργαλεία διαφοροποίησης και βελτιστοποίησης για το τρέχον σύνολο δεδομένων. Αυτά τα ευρήματα θα υποστηρίξουν την υπάρχουσα βιβλιογραφία και θα παρέχουν περαιτέρω πληροφορίες για μελλοντικές μελέτες.
Machine learning methods for measuring extreme risks and an empirical application on financial markets
(2022-03-16) Kosti, Konstantina; Κωστή, Κωνσταντίνα; Athens University of Economics and Business, Department of Economics; Antoniou, Fabio; Varthalitis, Petros; Dendramis, Yiannis
In this paper I try to present the most common financial and non-financial risks that a Bank or anyFinancial Institution face and which originate from their sector of activity itself. Moreover, there isan analytical presentation of the statistical tools and machine learning methods that are used for theirdetection and calculation. Afterwards, my attention focuses on several techniques such as Value atRisk, Expected Shortfall and Backtesting that Banks and Financial Institutions are obliged toperform, alongside with a very detailed presentation of the main Machine Learning Tools that existand that help with the realization of these techniques. Finally, in my empirical analysis I use high-frequency financial data to perform these techniques and to provide an illustration of the sectionsabove.
Predicting using univariate, multivariate & machine learning methods and empirical applications using R Shiny
(2023-03-21) Διαμάντης, Κωνσταντίνος; Diamantis, Konstantinos; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Pagratis, Spyros; Dendramis, Yiannis
Η παρακάτω διπλωματική εργασία αποτελεί έναν πλήρη οδηγό ανάλυσης χρονοσειρών. Αρχικά, αναλύονται τα πιο συνηθισμένα univariate μοντέλα, έπειτα αναλύονται multivariate μοντέλα με penalized regression μοντέλα, και τέλος αναλύονται μοντέλα μηχανικής μάθησης με principalcomponents analysis. Στην συνέχεια, δημιουργήθηκε μια διαδραστική εφαρμογή πρόβλεψης με χρησιμοποιώντας το ειδικό πακέτο της R το R Shiny για καλύτερη οπτικοποίηση των χρονοσειρών, δίνοντας την δυνατότητα στον χρήστη να παρατηρήσει την πρόβλεψη των σειρών και να τις τροποποιήσει.
Value at risk in cryptocurrency: machine learning
(2023-02-28) Μποζιώρη, Ιωάννα; Boziori, Ioanna; Athens University of Economics and Business, Department of Economics; Antoniou, Fabio; Tzavalis, Elias; Dendramis, Yiannis
Η έρευνα υπογραμμίζει τη βασική πρωτοτυπία της προτεινόμενης αρχιτεκτονικής, η οποία διασφαλίζει την αξιοπιστία των προβλέψεων μοντέλων βαθιάς μάθησης ανεξάρτητα από τα δεδομένα χρονοσειρών που χρησιμοποιούνται.Οι περισσότερες προσεγγίσεις πρόβλεψης χρονοσειρών στην επιστημονική βιβλιογραφία χρησιμοποιούν αλγόριθμους μηχανικής μάθησης και βαθιάς μάθησης για να ξεπεράσουν τα υπάρχοντα ή προτεινόμενα σημεία αναφοράς.Ως αποτέλεσμα της παγκοσμιοποίησης, της οικονομικής ολοκλήρωσης και της έλευσης των ηλεκτρονικών νομισμάτων, το παγκόσμιο χρηματοπιστωτικό σύστημα διέρχεται μια περίοδο μετασχηματισμού σε ένα άνευ προηγουμένου επίπεδο ανάπτυξης.

Browse

Browsing Postgraduate dissertations by Thesis Advisor "Dendramis, Yiannis"