Τσάμη, ΕιρήνηTsami, Eirini2025-04-112025-04-112025-03-24https://pyxida.aueb.gr/handle/123456789/11835Η 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.This thesis examines the use of econometric techniques and machine learning methods for estimating Value at Risk (VaR) in the U.S. financial markets. It focuses on three major financial assets: the S&P 500 index, Apple Inc., and the EUR/USD exchange rate. The analysis is based on historical return data and evaluates volatility patterns through traditional GARCH models (EGARCH, GJR-GARCH) as well as machine learning techniques such as Ridge, Lasso, and Elastic Net regression. The results reveal that model performance varies by asset, with EGARCH performing better for Apple, while GJR-GARCH is more suitable for the S&P 500 and EUR/USD. Machine learning models exhibit similar predictive accuracy, with Lasso and Elastic Net showing a slight advantage in feature selection. For risk estimation, the study applies three core VaR methods: parametric, Monte Carlo simulation, and Extreme Value Theory (EVT). The parametric approach assumes normally or Student-t distributed returns, with the latter better capturing the extreme tails of financial data. Overall, EVT provides more conservative and realistic risk estimates, avoiding the tail risk underestimation often associated with traditional models.pages 65Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Value at Risk (VaR)Volatility modelingMachine Learning (ML)Αξία σε κίνδυνοΜοντελοποίηση μεταβλητότηταςΜηχανική μάθησηTextDendramis, Yiannis