Μοντελοποίηση της καταναλωτικής εμπιστοσύνης (consumer confidence) με oικονομετρικά και machine learning μοντέλα

Abstract

Η διπλωματική εργασία εξετάζει τη μοντελοποίηση και πρόβλεψη του Δείκτη Καταναλωτικής Εμπιστοσύνης (Consumer Confidence Index – C.C.I.) με τη χρήση κλασικών οικονομετρικών μεθόδων και σύγχρονων τεχνικών μηχανικής μάθησης. Αρχικά, επιλέγονται ανεξάρτητες μεταβλητές βάσει οικονομικής θεωρίας και εμπειρικών δεδομένων και εκτιμάται γραμμικό υπόδειγμα OLS, προκειμένου να διερευνηθούν οι στατιστικά σημαντικές σχέσεις. Στη συνέχεια, εφαρμόζονται μοντέλα χρονοσειρών τύπου ARMA, τα οποία επιτρέπουν καλύτερη αποτύπωση της χρονικής εξάρτησης και της μεταβλητότητας του δείκτη. Σε επόμενο στάδιο, υλοποιούνται και συγκρίνονται αλγόριθμοι μηχανικής μάθησης, συγκεκριμένα XGBoost, Random Forest, Support Vector Regression (SVR) και Elastic Net. Η συγκριτική αξιολόγηση των μοντέλων δείχνει ότι το ARMA επιτυγχάνει την υψηλότερη προβλεπτική ακρίβεια, υπερέχοντας τόσο των απλών παλινδρομήσεων όσο και των μοντέλων μηχανικής μάθησης. Τα αποτελέσματα αναδεικνύουν τη σημασία του συνδυασμού παραδοσιακών και σύγχρονων μεθόδων για την κατανόηση και πρόβλεψη του C.C.I., με εφαρμογές στη χάραξη πολιτικής, τις επενδυτικές αποφάσεις και την ανάλυση μακροοικονομικών τάσεων.This thesis examines the modeling and forecasting of the Consumer Confidence Index (C.C.I.) using both classical econometric models and modern machine learning techniques. In the first stage, a set of explanatory variables is selected based on economic theory and empirical evidence, and an Ordinary Least Squares (OLS) regression is estimated to investigate the linear relationship between the C.C.I. and the selected variables, identifying those that are statistically significant. Subsequently, time series methods are employed through the estimation of ARMA models and their extensions, allowing for a better representation of temporal dependence and volatility dynamics. In the third stage, the analysis is extended to machine learning models, including XGBoost, Random Forest, Support Vector Regression (SVR), and Elastic Net. A comparative evaluation of all models indicates that the ARMA model achieves the highest forecasting accuracy, outperforming both simple regression approaches and machine learning models. Overall, the results suggest that the integration of traditional econometric techniques with modern machine learning methods provides a more comprehensive understanding and more accurate forecasts of the Consumer Confidence Index, with direct applications in policy making, investment decision-making, and the analysis of macroeconomic trends.