{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2975045"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2975045","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Implied Volatility Sign Prediction Using Machine Learning","abstract":"Αυτή η διατριβή χρησιμοποιεί αλγόριθμους μηχανικής μάθησης προκειμένου να προβλέψει το μελλοντικό πρόσημο της τεκμαρτής μεταβλητότητας της αγοράς. Πιο συγκεκριμένα, χρησιμοποιείται ένα σύνολο δεδομένων 16 μακροοικονομικών και χρηματοοικονομικών δεικτών για την πρόβλεψη του πρόσημου του επόμενου μήνα των VIX, VXO, VXN, VDAX και V2TX. Έτσι για το πρόβλημα αυτό, χρησιμοποιούνται και αξιολογούνται ορισμένα μοντέλα ταξινόμησης, προκειμένου να βρεθεί το μοντέλο με την καλύτερη απόδοση σε κάθε δείκτη. Το συμπέρασμα της μελέτης είναι ότι επιλέγοντας και αναπτύσσοντας έναν αριθμό δεικτών και τροποποιώντας κατάλληλα αυτούς τους δείκτες για να βοηθήσουν την απόδοση των μοντέλων, το πρόσημο της τεκμαρτής μεταβλητότητας μπορεί να προβλεφθεί χρησιμοποιώντας μοντέλα μηχανικής μάθησης.","abstract_html":"Αυτή η διατριβή χρησιμοποιεί αλγόριθμους μηχανικής μάθησης προκειμένου να προβλέψει το μελλοντικό πρόσημο της τεκμαρτής μεταβλητότητας της αγοράς. Πιο συγκεκριμένα, χρησιμοποιείται ένα σύνολο δεδομένων 16 μακροοικονομικών και χρηματοοικονομικών δεικτών για την πρόβλεψη του πρόσημου του επόμενου μήνα των VIX, VXO, VXN, VDAX και V2TX. Έτσι για το πρόβλημα αυτό, χρησιμοποιούνται και αξιολογούνται ορισμένα μοντέλα ταξινόμησης, προκειμένου να βρεθεί το μοντέλο με την καλύτερη απόδοση σε κάθε δείκτη. Το συμπέρασμα της μελέτης είναι ότι επιλέγοντας και αναπτύσσοντας έναν αριθμό δεικτών και τροποποιώντας κατάλληλα αυτούς τους δείκτες για να βοηθήσουν την απόδοση των μοντέλων, το πρόσημο της τεκμαρτής μεταβλητότητας μπορεί να προβλεφθεί χρησιμοποιώντας μοντέλα μηχανικής μάθησης.","abstract_has_math":false,"creators":["ΦΑΡΙΝΗΣ ΓΕΩΡΓΙΟΣ","FARINIS GEORGIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:45:10Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2975045"],"render_values":[{"text":"uoadl:2975045","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2975045","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2975045","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2975045","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΦΑΡΙΝΗΣ ΓΕΩΡΓΙΟΣ","FARINIS GEORGIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2975045","https://pergamos.lib.uoa.gr/uoa/dl/object/2975045"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η διατριβή χρησιμοποιεί αλγόριθμους μηχανικής μάθησης προκειμένου να προβλέψει το μελλοντικό πρόσημο της τεκμαρτής μεταβλητότητας της αγοράς. Πιο συγκεκριμένα, χρησιμοποιείται ένα σύνολο δεδομένων 16 μακροοικονομικών και χρηματοοικονομικών δεικτών για την πρόβλεψη του πρόσημου του επόμενου μήνα των VIX, VXO, VXN, VDAX και V2TX. Έτσι για το πρόβλημα αυτό, χρησιμοποιούνται και αξιολογούνται ορισμένα μοντέλα ταξινόμησης, προκειμένου να βρεθεί το μοντέλο με την καλύτερη απόδοση σε κάθε δείκτη. Το συμπέρασμα της μελέτης είναι ότι επιλέγοντας και αναπτύσσοντας έναν αριθμό δεικτών και τροποποιώντας κατάλληλα αυτούς τους δείκτες για να βοηθήσουν την απόδοση των μοντέλων, το πρόσημο της τεκμαρτής μεταβλητότητας μπορεί να προβλεφθεί χρησιμοποιώντας μοντέλα μηχανικής μάθησης.","This thesis employs machine learning algorithms in order to forecast the future sign of the market implied volatility. More precisely, a dataset of 16 macroeconomic and financial indicators is being used to anticipate the VIX, VXO, VXN, VDAX, and V2TX's following month's sign. For this subject, a number of classification models are employed and evaluated, in order to find the best performing model on each index. The study's conclusion is that by picking and developing a number of indicators and appropriately altering these indicators to assist the models' performance, the sign of implied volatility can be forecasted using machine learning models."]},{"key":"dc:title","label":"Title","values":["Implied Volatility Sign Prediction Using Machine Learning"]}]}],"canonical_facts":{"dc:creator":["ΦΑΡΙΝΗΣ ΓΕΩΡΓΙΟΣ","FARINIS GEORGIOS"],"dc:date":["2022"],"dc:description":["Αυτή η διατριβή χρησιμοποιεί αλγόριθμους μηχανικής μάθησης προκειμένου να προβλέψει το μελλοντικό πρόσημο της τεκμαρτής μεταβλητότητας της αγοράς. Πιο συγκεκριμένα, χρησιμοποιείται ένα σύνολο δεδομένων 16 μακροοικονομικών και χρηματοοικονομικών δεικτών για την πρόβλεψη του πρόσημου του επόμενου μήνα των VIX, VXO, VXN, VDAX και V2TX. Έτσι για το πρόβλημα αυτό, χρησιμοποιούνται και αξιολογούνται ορισμένα μοντέλα ταξινόμησης, προκειμένου να βρεθεί το μοντέλο με την καλύτερη απόδοση σε κάθε δείκτη. Το συμπέρασμα της μελέτης είναι ότι επιλέγοντας και αναπτύσσοντας έναν αριθμό δεικτών και τροποποιώντας κατάλληλα αυτούς τους δείκτες για να βοηθήσουν την απόδοση των μοντέλων, το πρόσημο της τεκμαρτής μεταβλητότητας μπορεί να προβλεφθεί χρησιμοποιώντας μοντέλα μηχανικής μάθησης.","This thesis employs machine learning algorithms in order to forecast the future sign of the market implied volatility. More precisely, a dataset of 16 macroeconomic and financial indicators is being used to anticipate the VIX, VXO, VXN, VDAX, and V2TX's following month's sign. For this subject, a number of classification models are employed and evaluated, in order to find the best performing model on each index. The study's conclusion is that by picking and developing a number of indicators and appropriately altering these indicators to assist the models' performance, the sign of implied volatility can be forecasted using machine learning models."],"dc:identifier":["uoadl:2975045","https://pergamos.lib.uoa.gr/uoa/dl/object/2975045"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Implied Volatility Sign Prediction Using Machine Learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:45:10Z"}