2025-05-092025-05-092025-05-06https://pyxida.aueb.gr/handle/123456789/11933Η παρούσα διπλωματική εργασία εξετάζει τη δυναμική των τιμών του αργού πετρελαίου, εστιάζοντας στις αποδόσεις των δεικτών WTI, Brent και Dubai. Μέσω της ενσωμάτωσης οικονομετρικών μοντέλων, όπως ARMA-GARCH, με τεχνικές μηχανικής μάθησης, όπως Random forest, Support Vector Regression, η μελέτη αναλύει την πολυπλοκότητα της συμπεριφοράς των τιμών του πετρελαίου, περιλαμβάνοντας μη γραμμικές εξαρτήσεις και συστάδες μεταβλητότητας. Η ανάλυση λαμβάνει υπόψη τις δομικές αλλαγές από σημαντικά παγκόσμια γεγονότα, όπως η χρηματοπιστωτική κρίση και η πανδημία COVID-19, για τη βελτίωση της ακρίβειας των προβλέψεων. Εξωτερικοί μακροοικονομικοί παράγοντες και δείκτες αβεβαιότητας πολιτικής εντοπίζονται ως καθοριστικοί παράγοντες που επηρεάζουν τη δυναμική της αγοράς πετρελαίου. Τα ευρήματα υπογραμμίζουν την αξία του συνδυασμού παραδοσιακών και σύγχρονων μεθοδολογιών για την αντιμετώπιση των σύνθετων προκλήσεων των αγορών ενέργειας. Η μελέτη καταλήγει σε πρακτικά συμπεράσματα για τους φορείς χάραξης πολιτικής και τους συμμετέχοντες στην αγορά, τονίζοντας τη σημασία των υβριδικών προσεγγίσεων και τις δυνατότητες των εναλλακτικών πηγών δεδομένων για τη βελτίωση των μοντέλων πρόβλεψης.This thesis examines the dynamics of crude oil prices, focusing on the returns of WTI, Brent, and Dubai benchmarks. By integrating econometric models such as ARMA-GARCH with machine learning techniques like random forests and support vector regression, the study captures the complexities of oil price behavior, including non-linear dependencies and volatility clustering. The analysis incorporates structural breaks from significant global events, such as the financial crisis and the COVID-19 pandemic, to enhance forecasting accuracy. External macroeconomic factors and policy uncertainty indices are identified as key determinants influencing oil market dynamics. The findings highlight the value of combining traditional and modern methodologies to address the intricacies of energy markets. The study concludes with practical insights for policymakers and market participants, emphasizing the importance of hybrid approaches and the potential of alternative data sources in improving forecasting modelspages 81Attribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Crude oil pricesEconometric modelsMachine learning (ML)Τιμές αργού πετρελαίουΟικονομετρικά μοντέλαΜηχανική μάθησηText