Η πρόβλεψη χρονοσειρών και μάλιστα αποτελούμενων από χρηματοοικονομικά δεδομένα έχει αποτελέσει αντικείμενο εκτεταμένης ερευνητικής δραστηριότητας. Στη χρηματοοικονομική επιστήμη, η ανάλυση χρονοσειρών εφαρμόζεται ευρέως για την πρόβλεψη των τιμών των διεθνών και εθνικών χρηματαγορών αλλά και σε εφαρμογές σχετικές με τη διαδικασία πρόβλεψης χρηματοοικονομικών κρίσεων. Η βασική διαφοροποίηση της διατριβής αυτής έγκειται στο αντικείμενο της πρόβλεψης· αντί της επικέντρωσης στην εύρεση της μελλοντικής τιμής μίας χρονοσειράς, οι παραγόμενες προβλέψεις στοχεύουν στον χρονικό εντοπισμό του μελλοντικού σημείου στο οποίο μία χρονοσειρά αναμένεται να βελτιστοποιηθεί τοπικά. Η παρούσα διατριβή πραγματεύεται την εισαγωγή μίας τεχνικής οπισθοδρόμησης η οποία εξομοιώνει διάφορες τεχνικές βελτιστοποίησης. Οι προτεινόμενες παραλλαγές της τεχνικής οπισθοδρόμησης καταλήγουν στη δημιουργία μεθοδολογιών οι οποίες στοχεύουν στην επίλυση προβλημάτων εντοπισμού του χρόνου παρουσίασης του τοπικού μελλοντικού βέλτιστου της εξεταζόμενης χρονοσειράς. Επιπλέον, η τεχνική προσφέρει και μεθοδολογικό πλαίσιο προς εξέταση του ζητήματος της ex ante πρόβλεψης μίας χρηματοοικονομικής κρίσης. Από την επενδυτική σκοπιά, οι πληροφορίες αυτές μπορεί να αποτελέσουν χρήσιμο εργαλείο υιοθέτησης επενδυτικής στρατηγικής και διαχείρισης χαρτοφυλακίου. Τέλος, η εμπειρική έρευνα καταλήγει στην εφαρμογή της προτεινόμενης τεχνικής σε δεδομένα από βασικές χρηματοπιστωτικές αγορές σε παγκόσμια κλίμακα αλλά και στην εγχώρια αγορά. / Time series prediction, especially in the case of financial time series, has attracted major research interest. In finance, time series analysis is applied widely for the purposes of predicting prices of international and national markets; also it is used for the prediction of financial crises. This thesis differences in the prediction’s objective; instead of focusing on the time series’ future price it aims on detecting the future time that the time series is expected to be locally optimized. This thesis introduces a backtracking techniques that integrates elements of specific optimization techniques. The introduced variations of the technique generate methodologies that confront the problem of the chronical allocation of a time series’ local optima. Moreover, the technique provides a methodological frame for the examination of the ex ante prediction of a financial crisis. Under the investment spectrum such information may provide a useful tool for the adoption of investment strategy and portfolio management. Finally the empirical research concludes with the application of the proposed techniques to data deriving from major financial international markets and the domestic market, as well.

Η διατριβή πραγματεύεται το αντικείμενο της Υπολογιστικής Νοημοσύνης στην Οικονομική και Χρηματοοικονομική επιστήμη. Στο πρώτο μέρος της διατριβής αναπτύσσονται μέθοδοι ομαδοποίησης και υπολογιστικής νοημοσύνης για τη μοντελοποίηση και πρόβλεψη χρονολογικών σειρών ημερησίων συναλλαγματικών ισοτιμιών. Η προτεινόμενη μεθοδολογία κατασκευάζει τοπικούς προσέγγιστές, με τη μορφή νευρωνικών δικτύων, για ομάδες προτύπων στο χώρο εισόδων που αναγνωρίζονται από μη-επιβλεπόμενους αλγόριθμους ομαδοποίησης. Στη συνέχεια κατασκευάζονται τεχνικοί κανόνες συναλλαγών απευθείας από τα δεδομένα με τη χρήση γενετικού προγραμματισμού. Η επίδοση των νέων κανόνων συγκρίνεται με αυτή των γενικευμένων κανόνων κινητού μέσου. Το δεύτερο μέρος της διατριβής πραγματεύεται την εφαρμογή εξελικτικών αλγορίθμων για τον υπολογισμό και την εκτίμηση του πλήθους σημείων ισορροπίας σε προβλήματα από τη θεωρία παιγνίων και τη νέα οικονομική γεωγραφία. Πιο συγκεκριμένα, αξιολογείται η ικανότητα των εξελικτικών αλγορίθμων να εντοπίσουν σημεία ισορροπίας κατά Nash σε πεπερασμένα στρατηγικά παίγνια και προτείνονται τεχνικές για τον εντοπισμό περισσοτέρων του ενός σημείων ισορροπίας. Τέλος εφαρμόζονται κριτήρια από τη θεωρία υπολογισμού σταθερών σημείων και τη θεωρία τοπολογικού βαθμού για τη διερεύνηση της ύπαρξης και της υπολογιστικής πολυπλοκότητας του υπολογισμού βραχυχρόνιων σημείων ισορροπίας σε μοντέλα νέας οικονομικής γεωγραφίας. / The thesis investigates Computational Intelligence methods in Economics and Finance. The first part of the thesis is devoted to computational intelligence methods and unsupervised clustering methods for modeling and forecasting daily exchange rate time series. A methodology is proposed that relies on local approximation, using artificial neural networks, for subregions of the input space that are identified through unsupervised clustering algorithms. Furthermore, we employ genetic programming to construct novel trading rules directly from the data. The performance of the novel rules is compared to that of generalised moving average rules. In the second part of the thesis we employ evolutionary algorithms to compute and to estimate the number of equilibria in finite strategic games and new economic geography models. In particular, we investigate the capability of evolutionary and swarm intelligence algorithms to compute Nash equilibria and propose an approach for the computation of more than one equilibria. Finally we employ criteria from the theory on computation of fixed points and topological degree theory to investigate the existence and the computational complexity of computing short run equilibria in new economic geography models.