National and Kapodistrian University of Athens
Μοντέλα Support Vector Regression και Autoregressive Linear Regression στην πρόβλεψη της μεταβλητότητας των χρηματιστηριακών δεικτών: εφαρμογή στις αγορές της Νότιας Ευρώπης και της Ιρλανδίας
Abstract
dc:descriptionΗ μεταβλητότητα των χρηματιστηριακών δεικτών αποτελεί κρίσιμο ζήτημα στη χρηματοοικονομική ανάλυση, καθώς επηρεάζει άμεσα τη διαχείριση κινδύνου, τις στρατηγικές επενδύσεων και τις νομισματικές πολιτικές. Η ακριβής πρόβλεψή της είναι ζωτικής σημασίας για τους επενδυτές και τους διαχειριστές χαρτοφυλακίων, καθώς επιτρέπει τη βελτιστοποίηση στρατηγικών διαχείρισης ρίσκου και την προσαρμογή των επενδυτικών αποφάσεων στις συνθήκες της αγοράς. Η παρούσα μελέτη εξετάζει την πρόβλεψη της μεταβλητότητας των χρηματιστηριακών δεικτών για τις αγορές της Ελλάδας, Ισπανίας, Ιταλίας, Πορτογαλίας και Ιρλανδίας, εφαρμόζοντας δύο εναλλακτικά υπολογιστικά μοντέλα: το Support Vector Regression (SVR) με Linear Kernel και το Autoregressive Linear Regression (AR Model). Η ανάλυση πραγματοποιείται μέσω χρονοσειρών, λαμβάνοντας υπόψη κρίσιμες μεταβλητές, όπως ο ημερήσιος όγκος συναλλαγών, οι τεχνικοί δείκτες (Bollinger Bands, RSI, EMA) και τα μακροοικονομικά δεδομένα. Εξετάζονται διαφορετικές χρονικές υστερήσεις (7, 14 και 21 ημερών), ώστε να αξιολογηθεί η επίδραση των ιστορικών τιμών στις μελλοντικές διακυμάνσεις των αγορών. Τα αποτελέσματα καταδεικνύουν ότι το SVR υπερέχει σε αγορές με υψηλή μεταβλητότητα, καθώς είναι σε θέση να καταγράψει μη γραμμικές σχέσεις, ενώ το AR Model αποδίδει καλύτερα σε αγορές με σταθερότερα μοτίβα και ισχυρές αυτοσυσχετίσεις. Η συγκριτική ανάλυση των χωρών αποκαλύπτει ότι η δομή της αγοράς, η ρευστότητα και οι οικονομικές πολιτικές επηρεάζουν την αποτελεσματικότητα κάθε μοντέλου. Συμπερασματικά, η μελέτη επιβεβαιώνει ότι δεν υπάρχει ένα "καθολικά βέλτιστο" μοντέλο πρόβλεψης, αλλά η επιλογή της καταλληλότερης μεθόδου εξαρτάται από τα χαρακτηριστικά της αγοράς και τις δυναμικές των δεδομένων. Τα αποτελέσματα υποδεικνύουν ότι η μελλοντική έρευνα θα μπορούσε να επικεντρωθεί στην ενσωμάτωση πιο σύνθετων τεχνικών μηχανικής μάθησης, όπως το XGBoost, το Random Forest Regression και τα Long Short-Term Memory (LSTM) Networks, για τη βελτίωση της προβλεπτικής ακρίβειας.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΡΑΒΑΝΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ-ΠΑΝΑΓΙΩΤΗΣ
- RAVANOS KONSTANTINOS-PANAGIOTIS
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5305026