Πλοήγηση ανά Επιβλέπων "Vrontos, 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

Τώρα δείχνει 1 - 20 από 38

An empirical study on the efficiency of European stock markets
(22-05-2017) Kelesiadis, George; Athens University of Economics and Business, Department of Statistics; Vrontos, Ioannis
The Efficient Market Hypothesis (EMH), according to which stock prices strictly absorb and reflect all relevant information, has been the subject of an excessive number of studies, due to the importance of the particular theory in the field of Finance. Still, the majority of these studies are testing a limited number of markets, such as the market of a particular index or stock. Additionally, often the data consist only of daily observations and returns, thus failing to provide information considering a longer time horizon. Consequently, while there is a vast amount of quality research on testing the EMH, the resulting inference cannot be easily generalized to similar and/or alternative cases.The objective of this thesis is to investigate whether and to what extent the weak form of EMH holds in the case of European stock markets, and present the resulting inference in a unified framework. To implement the empirical work, 17 of the most important European stock market indices are examined over a time period of 5 years. Better insight into the issue is provided by analyzing daily time series, weekly time series and monthly time series of each index. A novel joint hypothesis test is introduced, composed of three different distinct hypothesis tests, in order to provide rigorous inference.
Application of spatiotemporal geometry forecasting models on telecommunication data
(26-11-2024) Μαργώνης, Φοίβος-Απόστολος; Margonis, Phevos-Apostolos; Athens University of Economics and Business, Department of Informatics; Vassalos, Vasilios; Malakasiotis, Prodromos; Vrontos, Ioannis
Η έλευση της τεχνολογίας 5G έχει αυξήσει τη πολυπλοκότητα των ασύρματων δικτύων κινητής τηλεφωνίας, καθιστώντας την αποτελεσματική πρόβλεψη και διαχείριση των χωροχρονικών μεταβολών του φόρτου του δικτύου κρίσιμη. Η παρούσα εργασία, παρουσιάζει ένα ολοκληρωμένο πλαίσιο που συνδυάζει χωροχρονική συσταδοποίηση και πρόβλεψη για την υποβοήθηση της διαχείρισης της απόδοσης του δικτύου. Αξιοποιώντας τον αλγόριθμο HDBSCAN με τη χρήση του κριτηρίου (Intersection over Union) και διμερών γράφων, παρακολουθούμε την εξέλιξη των γεωμετριών και ποσοτικοποιούμε τις χρονικές τους αλλαγές, μέσω καθορισμένων μετρικών. Αξιολογούμε τρία μοντέλα βαθιάς μάθησης—CNN-GRU με Temporal Attention, ConvGRU και Spatio-Temporal Graph Convolutional Network (STGCN)—για την πρόβλεψη του φόρτου του δικτύου, αξιοποιώντας τις χωρικές και χρονικές εξαρτήσεις. Η ανάλυσή μας καταδεικνύει την ικανότητα αυτών των μοντέλων να προβλέπουν πολύπλοκα μοτίβα, επιτρέποντας την προληπτική διαχείριση του δικτύου και τη βελτιστοποίηση της κατανομής πόρων, με αποτέλεσμα τη μείωση των κεφαλαιακών και λειτουργικών εξόδων. Αυτή η εργασία, τονίζει τις δυνατότητες των προηγμένων τεχνικών μηχανικής μάθησης, στην ενίσχυση της απόδοσης των δικτύων κινητής τηλεφωνίας.
ARCH and GARCH Modeling in the Process of Portfolio Optimization
Golfis, Andreas G.; Γκόλφης, Ανδρέας Γ.; Athens University of Economics and Business, Department of Statistics; Vrontos, Ioannis
In this dissertation we rely on two optimization techniques expounded by Markowitz (1952) and Tobin (1958) in order to construct optimal portfolios, out of a pool of 36 stocks, observed over a total of 2.780 days. We apply these two portfolio optimization techniques using daily discrete returns for an estimation period of 2.415 daily observations and allowing for short sales. The performance of the optimal portfolios, during the evaluation period, shows no remarkable difference when it comes to the way of modeling a stock’s return volatility - either using the historical method or GARCH modeling. In total we construct 9 optimal portfolios. We put together the first three of them following the methodology of Markowitz (1952) and by setting portfolio’s expected return level (on a daily basis) at 0.10%, 0.15% and 0.20%. Then, drawing on Tobin’s (1958) approach, we construct other three optimal portfolios by taking into account three yearly risk-free rates 3.0%, 3.5% and 4.0%. The remaining three portfolios are built by estimating a model and then using the Tobin’s approach with three yearly risk-free rates of 3.0%, 3.5% and 4.0%.
Assessing the economic impact of Russian war in energy sector
(09-02-2023) Φασούλας, Γεώργιος; Fasoulas, Georgios; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Dendramis, Yiannis; Vrontos, Ioannis
Μετά την εποχή του covid-19 και τον πόλεμο μεταξύ Ρωσίας και Ουκρανίας, ο ενεργειακός κλάδος και ειδικά η τιμή της ηλεκτρικής ενέργειας έχει απασχολήσει πολλούς ερευνητές ανά τον κόσμο. Όλος ο κόσμος είχε την αγωνία να δει που θα φτάσουν οι τιμές, διότι δεν μπορούσαν να ανταπεξέλθουν οικονομικά. Ειδικά όταν η Ρωσία αποφάσισε να αναστείλει τις παραδόσεις φυσικού αερίου προς ορισμένα κράτη μέλη της ΕΕ αυξήθηκε η τιμή του φυσικού αερίου με αποτέλεσμα οι τιμές της ηλεκτρικής ενέργειας να ανέβουν σε υψηλά επίπεδα. Συνέπεια της αύξησης αυτής ήταν να αυξηθεί και ο πληθωρισμός. Ο σκοπός αυτής της εργασίας είναι να φτιάξουμε στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης έτσι ώστε να προβλέψουμε την τιμή της ηλεκτρικής ενέργειας της επόμενης μέρας και της επόμενης εβδομάδας για την Ελλάδα, την Ισπανία και την Σουηδία. Αρχικά αναφέρονται κάποιες πληροφορίες σχετικά με τον κλάδο της ενέργειας, της αγορές ηλεκτρικής ενέργειας και στο πως φτάσαμε σήμερα στο να είναι οι τιμές σε πολλά υψηλά επίπεδα σε σχέση με προηγούμενα έτη. Στην συνέχεια, θα δούμε την βιβλιογραφία, όπου αναφέρονται τα μοντέλα και οι τεχνικές που έχουν χρησιμοποιηθεί για την πρόβλεψη και την μοντελοποίηση της τιμής. Είναι σημαντικό να αναφερθεί ότι η θεωρία είναι ένα πολύ σημαντικό και αναπόσπαστο μέρος για να μπορέσουμε να προχωρήσουμε στην ανάλυση. Οπότε, μετά την αναφορά στην βιβλιογραφία περιγράφεται η οικονομετρική θεωρία, τα μοντέλα και οι τεχνικές ανάλυσης δεδομένων που χρησιμοποιήθηκαν και άλλες. Επιπρόσθετα, δεν θα μπορούσαμε να παραλείψουμε την θεωρία πρόβλεψης και τις κατάλληλες τεχνικές για να κάνουμε πρόβλεψη για κάθε μοντέλο έτσι ώστε να έχουμε το μικρότερο δυνατό σφάλμα εκτίμησης. Πριν κλείσουμε, ένα από τα σημαντικότερα κομμάτια της έρευνας αυτής είναι η εμπειρική ανάλυση, όπου αναλύονται τα δεδομένα που χρησιμοποιήσαμε, και τα δύο μοντέλα που καταλήξαμε ότι είναι κατάλληλα για την πρόβλεψη της ηλεκτρικής ενέργειας στην Ελλάδα, Ισπανία και Σουηδία. Αυτά τα δύο μοντέλα είναι τα ARMA(14, 14) – GARCH(1, 1) και Random Forest. Τελευταίο αλλά εξίσου σημαντικό, έχουμε τα συμπεράσματα, όπου θα δούμε ότι το μοντέλο ARMA(14, 14) – GARCH(1, 1) έχει καλύτερη προβλεπτική ικανότητα στις περισσότερες περιπτώσεις, αλλά και την αρνητική – θετική επίδραση που είχε ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας στην παγκόσμια οικονομία αλλά κυρίως στις χώρες που αναλύσαμε
Assessing the impact of the Russia-Ukraine war on financial returns
(28-03-2024) Μιχοπούλου, Ευαγγελία; Michopoulou, Evangelia; Athens University of Economics and Business, Department of Statistics; Besbeas, Panagiotis; Psarakis, Stelios; Vrontos, Ioannis
Ο αντικειμενικός σκοπός αυτής της εργασίας είναι να εξετάσει και να αξιολογήσει την επίδραση που έχει ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας στις Ευρωπαϊκές χρηματοοικονομικές αγορές. Εφαρμόζουμε τέσσερα διαφορετικά μοντέλα, μεταξύ άλλων και μοντέλα μηχανικής μάθησης, για να αξιολογήσουμε την επίδραση που έχουν ορισμένοι παράγοντες που επηρεάζονται από διεθνή γεγονότα, όπως ο πόλεμος, στις αποδόσεις τριών μετοχικών δεικτών. Από την εφαρμογή κάθε μοντέλου λαμβάνουμε, για κάθε έναν από τους τρεις δείκτες, τους παράγοντες εκείνους που επηρέαζουν περισσότερο τις αποδόσεις τους. Πιο συγκεκριμένα, χρησιμοποιύμε την πολλαπλή γραμμική παλινδρόμηση, το μοντέλο Lasso, regression decision trees, και τον αλγόριθμο random forest.Επιπλέον, χρησιμοποιούμε τα μοντέλα που προαναφέρθηκαν, εκτός από την πολλαπλή γραμμική παλινδρόμηση, για να κάνουμε προβλέψεις σχετικά με τις αποδόσεις των δεικτών τα τέσσερα επόμενα έτη μετά τον Ιούλιο του 2019. Προκειμένου να γίνουν αυτές οι προβλέψεις, χωρίζουμε το αρχικό σύνολο των δεδομένων σε δύο υποσύνολα, το in-sample και το out-of-sample, όπου το δεύτερο υποσύνολο περιλαμβάνει τις αποδόσεις των δεικτών για τα τέσσερα τελευταία έτη. Αφού λάβουμε αυτές τις προβλέψεις για τις αποδόσεις, χρησιμοποιούμε το μέτρο MSE για να συγκρίνουμε τα αποτελέσματα από τα τρία μοντέλα και να συζητήσουμε αν κάποιο από αυτά είναι πιο αξιόπιστο κάνοντας πιο ακριβείς προβλέψεις.
Assessment of a hidden Markov model for detecting abrupt shifts in time series of telecommunication data
(12/14/2021) Maragkopoulos, Giorgos; Μαραγκόπουλος, Γεώργιος; Athens University of Economics and Business, Department of Informatics; Ntzoufras, Ioannis; Vassalos, Vasilios; Vrontos, Ioannis
In recent years, internet and telecommunications made it possible for people around the world to connect, work and study from anywhere, at any time. However, to keep providing these benefits in a quality level, companies need to control the volume of signal power necessary in each day. This thesis proposes two models, first an abrupt shift capture model to detect aggressive movements based on a balanced – bagging multinomial logistic regression model, trained on labels produced by a hidden Markov model. In the second half, a time series regression model which forecasts the value of the next day using the n-beats model. The advantage of these models is quickly capturing relationships even in small datasets from patterns existing between time-lags. The experimental results show that the first model outperforms other baselines that were tested in terms of adjusted F1 scores and the same is true for the second model, in terms of regression scores and accuracy. Thus, they can potentially serve as classifiers / regressors in an automated tool which informs the company.
Bayesian modeling and estimation for complex multiparameter problems with real applications
(2021) Koki, Constandina; Κοκή, Κωνσταντίνα; Athens University of Economics and Business, Department of Statistics; Meligkotsidou, Loukia; Karlis, Dimitrios; Dellaportas, Petros; Kypraios, Theodore; Fouskakis, Dimitris; Kalogeropoulos, Kostas; Vrontos, Ioannis
In the big data era, the study of complex multiparameter problems is more than necessary. The development of Machine Learning techniques enhanced the inferentialability of statistical models. In this direction, by leveraging Machine Learning techniques, we propose a new predictive Hidden Markov model with exogenous variables, within a Bayesian framework, for joint inference and variable selection. Wepropose a computational Markov Chain Monte Carlo algorithm that offers improved forecasting and variable selection performance, compared to existing benchmarkmodels. Our methodology is applied in various simulated and real datasets, such as realized volatility data and cryptocurrency return series. Furthermore, we exploit the Bayesian methodology in implementing the X-ray luminosity function of the ActiveGalactic Nuclei under the assumption of Poisson errors in the determination of X-ray fluxes and estimation uncertainties.
Crude oil and natural gas price shocks from 1997 until the COVID-19 pandemic and Russο-Ukrainian war
(17-01-2023) Ρηγανάκου, Σταματίνα; Riganakou, Stamatina; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Antoniou, Fabio; Vrontos, Ioannis
Ένα σημαντικό ζήτημα είναι ότι υπάρχουν εξαιρετικά λίγες έρευνες σχετικά με τα πιο πρόσφατα σοκ στις τιμές του πετρελαίου και του φυσικού αερίου, οι οποίες θα μπορούσαν να εξηγήσουν με μεγαλύτερη λεπτομέρεια τις διακυμάνσεις των τιμών αυτών των δύο ενεργειακών εμπορευμάτων τις τελευταίες δύο δεκαετίες. Η παρούσα μελέτη στοχεύει να καλύψει αυτό το κενό στην βιβλιογραφία εφαρμόζοντας τη μέθοδο ελέγχου δομικών αλλαγών των Bai και Perron (1998, 2003), στην οποία διερευνώνται οι πολλαπλές δομικές αλλαγές των τιμών του πετρελαίου και του φυσικού αερίου μέχρι και τα πιο πρόσφατα γεγονότα και παράλληλα καταγράφονται οι ημερομηνίες όπου έγιναν οι δομικές μεταβολές. Επιπλέον, η παρούσα εργασία ερευνά τα ιστορικά γεγονότα που πιθανά σχετίζονται με αυτές τις σημαντικές αλλαγές στην τιμή του πετρελαίου και του φυσικού αερίου. Αυτή η μελέτη παρέχει μια ανάλυση των μηνιαίων τιμών του αργού πετρελαίου (West Texas Intermediate) και του φυσικού αερίου (Henry Hub) για το χρονικό διάστημα Ιανουαρίου 1997- Νοεμβρίου 2022, τα οποία έχουν συλλεχθεί από την Υπηρεσία Ενεργειακών Πληροφοριών των ΗΠΑ.Η παρούσα εργασία πραγματοποιείται με τον ακόλουθο τρόπο. Η δεύτερη ενότητα εξετάζει τη συμπεριφορά των τιμών του αργού πετρελαίου και του φυσικού αερίου από την άποψη των σοκ της ζήτησης και της προσφοράς. Η τρίτη ενότητα αναφέρεται στη σχετική βιβλιογραφία που υπάρχει για τα σοκ στις τιμές πετρελαίου και φυσικού αερίου. Η τέταρτη ενότητα δίνει μια σύντομη περιγραφή των ελέγχων μοναδιαίας ρίζας. Η πέμπτη ενότητα παρουσιάζει τον κλασικό έλεγχο (Chow test) με γνωστά τα σημεία όπου γίνεται η αλλαγή και στη συνέχεια επεξεργάζεται την ανάλυση άγνωστων δομικών αλλαγών με τους ελέγχους supF και διακύμανσης. Η έκτη ενότητα ασχολείται με πολλαπλές άγνωστες δομικές αλλαγές ακολουθώντας τη μεθοδολογία Bai-Perron. Η έβδομη ενότητα δίνει τα περιγραφικά στατιστικά στοιχεία των δύο συνόλων δεδομένων, καθώς επίσης αναφέρει και τα εμπειρικά αποτελέσματα. Η τελευταία ενότητα συνοψίζει τα κύρια ευρήματα.
Developing models for determining an optimal asset allocation using machine learning methods
(24-12-2018) Georgiou, Dimitrios; Γεωργίου, Δημήτριος; Vrontos, Ioannis
The Markowitz model has two problematic tendencies; unintuitive portfolios and portfolios with high transaction costs. The Black-Litterman model was made as an improvement of the Markowitz model. It uses a Bayesian approach to combine the views of the investor with the equilibrium portfolio. The main purpose of the model is to create intuitive portfolios and limit the transaction costs under some restrictions of minimum daily, weekly and monthly loss. With the computer power available today, the implementation of mathematical models are animportant issue. Using the programming language Python, we will in this thesis look at possible ways of implementing Markowitz and Black-Litterman model. Today’s investment firms have different ways of expressing their views on future asset performance. A common method is touse a scorecard. It is interesting to see how the scorecards properties make simplifying conditions to the Black-Litterman model. By using Python packages and self-made Python code,the Black-Litterman model is applied to the Python language to find the best approach.
Evaluation of traditional and machine learning models in forecasting women's unemployment rate
(24-02-2025) Μιχελή, Κωνσταντίνα; Micheli, Konstantina; Athens University of Economics and Business, Department of International and European Economic Studies; Demos, Antonios; Topaloglou, Nikolaos; Vrontos, Ioannis
Αυτή η μελέτη επικεντρώνεται στην ανάλυση και πρόβλεψη του ποσοστού ανεργίας χρησιμοποιώντας τόσο παραδοσιακά όσο και μοντέλα μηχανικής μάθησης. Συγκεκριμένα, εφαρμόζονται τα μοντέλα ARIMA, SARIMA, Elastic Net, Random Forest και XGBoost, με δεδομένα από το 1948 έως το 2024. Αρχικά, χρησιμοποιείται η μέθοδος Grid Search για την εύρεση των βέλτιστων υπερπαραμέτρων για κάθε μοντέλο, και στη συνέχεια πραγματοποιείται επαναληπτική πρόβλεψη εντός δείγματος για την εκτίμηση του συνόλου ελέγχου. Τα αποτελέσματα δείχνουν ότι το μοντέλο SARIMA (από τα παραδοσιακά μοντέλα) και το μοντέλο Elastic Net (από τη μηχανική μάθηση) παρουσίασαν την καλύτερη απόδοση, με τα μικρότερα σφάλματα πρόβλεψης, καθιστώντας τα τα πιο αξιόπιστα για την πρόβλεψη του ποσοστού ανεργίας των γυναικών.
Financial forecasting using machine learning
(09/21/2018) Klada, Anna-Maria G.; Κλαδά, Άννα-Μαρία; Athens University of Economics and Business, Department of Statistics; Vasdekis, Vassilis; Psarakis, Stelios; Vrontos, Ioannis
Financial forecasting is an extraordinary issue. Hedge funds are companies that bind investors’ money for a while, and are trying to raise their capital. In order for investors to benefit from this technique, it is good to know the performance of hedge funds.The issue that we are assigned to, is the monthly prediction for 10 hedge fund returns, which are time series, and our forecasts last for 24 months. In our data there are 15 risk factors, from which we are called upon to decide which ones are important for our forecasting. The models we develop are from Machine Learning and some of them have been involved in finance. What we are concerned with is to compare these models, with traditional economic series prediction models, such as ARMA models and multiple regression models.
Financial modelling using threshold models
(09/21/2018) Savvelis, Alexandros; Σαββέλης, Αλέξανδρος; Athens University of Economics and Business, Department of Statistics; Vasdekis, Vassilis; Psarakis, Stelios; Vrontos, Ioannis
The purpose of this thesis is to explore threshold algorithms and models in financial data. The algorithm that used was regression trees and random forest and the estimated models was nonlinear GARCH models. We try to explore this combination between statistical learning algorithms and financial econometric models to predict and explain the characteristics of the data. The financial data that used was from the hedge fund industry. An industry different from the rest of the market with its own characteristics. Specifically the index that we use is CSTHFI index which represent the overall industry and we can conclude in very interesting fact. Overall the best model for one step ahead out of sample prediction using as a criterion the root mean square error, the median absolute error and the mean absolute error is the random forest and from the linear and nonlinear GARCH models the most difficult to estimate is the switching volatility GARCH.
Forecasting and combination of forecasts for developed economies
(12/05/2017) Vlachos, Taxiarchis; Athens University of Economics and Business, Department of Statistics; Vrontos, Ioannis
In this thesis we are going to present some general theory about the GDP and its significance in every economy. We will continue by presenting the theory about forecasting and then about combination of forecasts. We are going to use combination of forecasts methods in order to forecast the output growth in seven countries for quarterly data. Our analysis reveals that there is instability on the individual predictors, but the forecast combinations have better performance on the autoregressive forecasts.
Forecasting electricity price with advanced econometric models
(22-04-2024) Karagiannaki, Aikaterini; Καραγιαννάκη, Αικατερίνη; Athens University of Economics and Business, Department of Economics; Pagratis, Spyridon; Tzavalis, Elias; Vrontos, Ioannis
Η μελέτη εμβαθύνει στη δυναμική της τιμολόγησης ηλεκτρικής ενέργειας στην ενεργειακή αγορά του Λος Άντζελες, πλοηγώντας μέσα από μια πληθώρα παραγόντων όπως οι καιρικές συνθήκες, οι τιμές των καυσίμων και οι οικονομικοί δείκτες. Μέσω μιας οικονομετρικής προσέγγισης, η έρευνα προσδιορίζει τη θερμοκρασία και τις τιμές των καυσίμων ως βασικούς παράγοντες πρόβλεψης των τιμών της ηλεκτρικής ενέργειας, δίνοντας έμφαση στη βαθιά επίδραση των περιβαλλοντικών και οικονομικών παραγόντων στις αγορές ενέργειας. Χρησιμοποιώντας προηγμένες στατιστικές τεχνικές, συμπεριλαμβανομένης της ανάλυσης πολλαπλής παλινδρόμησης, των αλγορίθμων ARMA, GARCH και μηχανικής μάθησης, η μελέτη αντιμετωπίζει τις προκλήσεις που θέτει η κυμαινόμενη φύση των τιμών ηλεκτρικής ενέργειας. Η ενσωμάτωση των μοντέλων ARMA και GARCH αποδεικνύεται καθοριστική για την αποτύπωση της αυτοσυσχέτισης και της ετεροσκεδαστικότητας, ενισχύοντας έτσι την προγνωστική ακρίβεια. Η εισαγωγή ενός μοντέλου GARCH(1,0) που έχει τελειοποιηθεί με μια κατανομή t Student δείχνει σημαντική βελτίωση στα διαγνωστικά μοντέλα, μετριάζοντας αποτελεσματικά ζητήματα που σχετίζονται με υπολείμματα βαριάς ουράς. Επιπλέον, οι τεχνικές μηχανικής μάθησης όπως το bagging, τα τυχαία δάση και η αναδρομική παλινδρόμηση κατάτμησης προσφέρουν διαφορετικές προοπτικές για την πρόβλεψη των τιμών ηλεκτρικής ενέργειας, με την τελευταία να αναδεικνύεται ως η κορυφαία επιλογή λόγω της ερμηνευσιμότητας και των ανώτερων μετρήσεων απόδοσης. Η αναδρομική προσέγγιση πρόβλεψης δείχνει την ικανότητα του μοντέλου να παρακολουθεί στενά τις πραγματικές κινήσεις της αγοράς με την πάροδο του χρόνου, υπογραμμίζοντας τις δυνατότητές του για περαιτέρω βελτίωση. Συνολικά, η μελέτη υπογραμμίζει τον κεντρικό ρόλο της θερμοκρασίας και των τιμών των καυσίμων στη διαμόρφωση της δυναμικής της τιμολόγησης της ηλεκτρικής ενέργειας, ενώ επίσης θέτει τις βάσεις για μελλοντική έρευνα που στοχεύει στη βελτίωση των τεχνικών πρόβλεψης στην ενεργειακή οικονομία.
Forecasting energy market series using econometric models and machine learning techniques
(07-03-2024) Μαστροδημήτρης-Γουναρόπουλος, Σπυρίδων; Mastrodimitris-Gounaropoulos, Spyridon; Athens University of Economics and Business, Department of Informatics; Vassalos, Vasilios; Pavlopoulos, Ioannis; Vrontos, Ioannis
Η παρούσα μελέτη επικεντρώνεται στη σύγκριση διαφόρων τεχνικών μοντελοποίησης και πρόβλεψης που εφαρμόζονται στις αγορές ενέργειας. Ειδικότερα στις τιμές και την μεταβλητότητα του αργού πετρελαίου στην Αμερικανική και του φυσικού αερίου στην Ευρωπαϊκή και Ασιατική αγορά. Επιπλέον, ενσωματώσαμε μοντέλα μηχανικής μάθησης όπως random forest, XGBoost, δίκτυα long short-term memory και temporal fusion transformers στη διαδικασία πρόβλεψης και αξιολογήσαμε τις επιδόσεις αυτών έναντι πιο παραδοσιακών γραμμικών οικονομετρικών τεχνικών όπως μοντέλα παλινδρόμησης με αυτοσυσχετιζόμενα σφάλματα και γενικευμένη αυτοπαλινδρόμηση υπό όρους ετεροσκεδαστικότητας. Μέσω των δοκιμών εκτός δείγματος επιβεβαιώσαμε τη σημασία των εξωγενών γεωπολιτικών μεταβλητών, τη σημασία που έχει η διάρκεια των σοκ στις προβλέψεις αλλά και την πολλά υποσχόμενη ακρίβεια μοντέλων Self-attention στις χρονοσειρές των αγορών ενέργειας.
Forecasting macroeconomic series using advanced econometric models
(15-05-2024) Nichietti, Lara; Athens University of Economics and Business, Department of Statistics; Tarantola, Claudia; Karlis, Dimitrios; Vrontos, Ioannis
This thesis aims to model, forecast, and compare economic activity across Greece, Italy, and Germany, with a focus on evaluating common forecasting methodologies used in time series predictions. Despite numerous studies in this area, determining the superiority of one model over another remains challenging due to various influencing factors such as data type, transformations, data frequency, and variable inclusion. To address this challenge, the research incorporates multiple datasets, recognizing that many studies focus solely on predicting macroeconomic variables for specific countries, potentially leading to conclusions that are not universally applicable. By applying diverse models to different countries with unique historical contexts, this study seeks to derive more broadly applicable and robust conclusions across varied economic landscapes. The thesis employs thirty-two statistical and econometric univariate and multivariate models, including Autoregressive models, classical Vector Autoregressive models, Bayesian variants, and machine learning techniques. The determination of hyperparameters and variable selection emerge as critical decisions that influence the results. Hyperparameter selection relies on data-driven approaches based on an out-of-sample measure. Moreover, further results are drawn for fixed-order specifications. Additionally, the study investigates the estimation of models capable of handling numerous covariates using three different datasets, each containing varying numbers of covariates. To achieve comprehensive analysis, the research focuses on forecasting inflation, examining macroeconomic theory, existing forecasting methods, model formalization, dataset selection, and methodology. The thesis concludes with insights drawn from the results presented across various chapters, offering a deeper understanding of forecasting economic activity and highlighting implications for future research and policy considerations.
Forecasting macroeconomic series using advanced econometric models
(25-01-2023) Αθανασίου, Παναγιώτης; Athanasiou, Panagiotis; Athens University of Economics and Business, Department of Economics; Pagratis, Spyros; Tzavalis, Elias; Vrontos, Ioannis
Στόχος της διατριβής είναι η ανάπτυξη οικονομετρικών μοντέλων για την πρόβλεψη των τιμών της εξαρτημένης μεταβλητής, της αύξησης του πραγματικού ΑΕΠ των ΗΠΑ. Αρχικά, υπάρχουν 52 διαθέσιμες ανεξάρτητες μεταβλητές οι οποίες αφορούν τριμηνιαίες τιμές από το πρώτο τρίμηνο του 1986 έως το τέταρτο τρίμηνο του 2021. Με βάση τον στόχο της διατριβής, χρησιμοποιώντας τις διαθέσιμες μεταβλητές, δημιουργήθηκαν 30 οικονομετρικά υποδείγματα, τα οποία βασίζονται σε οικονομετρικές μεθοδολογίες, για τις οποίες γίνεται λεπτομερής επεξήγηση του τρόπου λειτουργίας τους. Οι οικονομετρικές μεθοδολογίες που χρησιμοποιήθηκαν είναι οι ακόλουθες: Ridge, Lasso, Elastic Net, Ανάλυση κύριων συνιστωσών, Μερικά ελάχιστα τετράγωνα και πολλαπλή παλινδρόμηση. Στη συνέχεια, για την πρόβλεψη των τιμών της εξαρτημένης μεταβλητής US Real GDP Growth, Out - of - Sample Forecast χρησιμοποιείται αφού πρώτα έχει αναλυθεί ο τρόπος λειτουργίας της κάθε μεθόδου με ορίζοντα πρόβλεψης να είναι ίσος με 4 περιόδους. Στη συνέχεια, παρουσιάζονται τα αποτελέσματα των προβλέψεων όλων των υποδειγμάτων προκειμένου να αξιολογηθεί ποιο υπόδειγμα έχει την καλύτερη προβλεπτική ικανότητα. Για να γίνει αυτό, παρουσιάζονται πίνακες με τις πραγματικές τιμές του US Real GDP Growth, οι τιμές των προβλέψεων κάθε μοντέλου και τα σφάλματα πρόβλεψης. Τέλος, παρουσιάζονται σημαντικά στοιχεία που έχουν ως στόχο να απεικονίσουν τις τιμές των προβλέψεων σε σύγκριση με τις πραγματικές τιμές της αύξησης του πραγματικού ΑΕΠ των ΗΠΑ.
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.
Hedge funds performance evaluation, a portfolio construction and applications
Dimitrakopoulos, Sotiris C.; Δημητρακόπουλος, Σωτήριος; Athens University of Economics and Business, Department of Statistics; Vrontos, Ioannis
We evaluate performance of hedge funds in order to construct top decile portfolios. In our study, we have the monthly returns of ten hedge funds and the monthly returns of fourteen market indices. We apply four different models for each hedge fund. The data from the last year of each hedge fund is used in the out-of-sample analysis. From each model, we receive the best two performing hedge funds. Consequently, we construct four different portfolios. The first kind of model is the single factor, the second is the three-factor of Fama and French (1993) and the third is the four-factor model of Carhart (1997). The fourth kind is a multifactor model. We use a backward selection approach in order to identify a suitable set of market indices for each hedge fund.In the following, the models, which we have described above, are reused, applying Generalized Autoregressive Conditional Heteroskedasticity GARCH(1,1) models in order to capture the conditional heteroskedasticity or volatility clustering. Specifically, GARCH(1,1) models describe the conditional variances and covariances of financial time series. Therefore, we construct another four portfolios. Using some measures of risk, we compare these eight portfolios and we conclude by choosing the best top decile portfolio.
The impact of Covid-19 on GDP of Greece
(03-10-2023) Κρητικού, Βασιλική; Kritikou, Vasiliki; Athens University of Economics and Business, Department of Statistics; Besbeas, Panagiotis; Kyriakidis, Epaminondas; Vrontos, Ioannis
Η νόσος του κορονοϊού 2019 (COVID-19) είναι μια μεταδοτική ασθένεια που εξαπλώθηκε σε όλο τον κόσμο και επηρέασε πολλούς τομείς. Πρώτα από όλα επηρεάστηκε η ανθρώπινη υγεία, αλλά και η πολιτική, η οικολογία, ο πολιτισμός και η παγκόσμια οικονομία. Σε αυτή την έρευνα εστιάζουμε στον τελευταίο τομέα.Πιο συγκεκριμένα, στόχος μας είναι να εξετάσουμε εάν ο κορονοϊός επηρέασε τον οικονομικό τομέα της Ελλάδας. Για το σκοπό αυτό, η μεταβλητή ενδιαφέροντός μας είναι το Ακαθάριστο Εγχώριο Προϊόν (ΑΕΠ) της Ελλάδας. Για να εκτιμήσουμε την ανάπτυξη του ΑΕΠ θα χρησιμοποιήσουμε τα εξής μοντέλα: Απλή Γραμμική Παλινδρόμηση και Παλινδρόμηση Ποσοστιαίων Σημείων, καθώς και τρία μοντέλα Μηχανικής Μάθησης: το μοντέλο Δένδρου Παλινδρόμησης, το Τυχαίο Δάσος και το μοντέλο Παλινδρόμησης Lasso. Αυτή η μελέτη αποδεικνύει ότι ο Covid-19 επηρέασε αρνητικά την οικονομία της Ελλάδας και δείχνει ποια μοντέλα ήταν πιο αποτελεσματικά.