{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5305026"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5305026","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"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":"Η 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.","abstract_html":"Η 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 &quot;καθολικά βέλτιστο&quot; 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.","abstract_has_math":false,"creators":["ΡΑΒΑΝΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ-ΠΑΝΑΓΙΩΤΗΣ","RAVANOS KONSTANTINOS-PANAGIOTIS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:10Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305026"],"render_values":[{"text":"uoadl:5305026","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305026","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305026","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%3A5305026","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΡΑΒΑΝΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ-ΠΑΝΑΓΙΩΤΗΣ","RAVANOS KONSTANTINOS-PANAGIOTIS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305026","https://pergamos.lib.uoa.gr/uoa/dl/object/5305026"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","Stock market volatility is a critical aspect of financial analysis, directly influencing risk management, investment strategies, and monetary policies. Accurate forecasting of volatility is essential for investors and portfolio managers, as it enables the optimization of risk management strategies, and the adjustment of investment decisions based on prevailing market conditions. This study focuses on forecasting stock market volatility in the markets of Greece, Spain, Italy, Portugal, and Ireland, employing two alternative computational models: Support Vector Regression (SVR) with a linear kernel and Autoregressive Linear Regression (AR Model). The analysis is conducted through time series modeling, incorporating key variables such as daily trading volume, technical indicators (Bollinger Bands, RSI, EMA), and macroeconomic data. Additionally, different lag periods (7, 14, and 21 days) are examined to assess the impact of historical prices on future market fluctuations. The findings suggest that SVR demonstrates superior performance in highly volatile markets, as it effectively captures non-linear relationships, while the AR Model performs better in markets with more stable patterns and strong autocorrelations. The comparative analysis among the selected countries reveals that market structure, liquidity, and economic policies significantly influence the effectiveness of each model. In conclusion, this study confirms that there is no universally optimal forecasting model; rather, the choice of the most suitable method depends on the specific characteristics of the market and the dynamics of the data. The results indicate that future research could explore the integration of more advanced machine learning techniques, such as XGBoost, Random Forest Regression, and Long Short-Term Memory (LSTM) Networks, to enhance predictive accuracy and further improve market volatility forecasting."]},{"key":"dc:title","label":"Title","values":["Μοντέλα Support Vector Regression και Autoregressive Linear Regression στην πρόβλεψη της μεταβλητότητας των χρηματιστηριακών δεικτών: εφαρμογή στις αγορές της Νότιας Ευρώπης και της Ιρλανδίας"]}]}],"canonical_facts":{"dc:creator":["ΡΑΒΑΝΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ-ΠΑΝΑΓΙΩΤΗΣ","RAVANOS KONSTANTINOS-PANAGIOTIS"],"dc:date":["2025"],"dc:description":["Η 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.","Stock market volatility is a critical aspect of financial analysis, directly influencing risk management, investment strategies, and monetary policies. Accurate forecasting of volatility is essential for investors and portfolio managers, as it enables the optimization of risk management strategies, and the adjustment of investment decisions based on prevailing market conditions. This study focuses on forecasting stock market volatility in the markets of Greece, Spain, Italy, Portugal, and Ireland, employing two alternative computational models: Support Vector Regression (SVR) with a linear kernel and Autoregressive Linear Regression (AR Model). The analysis is conducted through time series modeling, incorporating key variables such as daily trading volume, technical indicators (Bollinger Bands, RSI, EMA), and macroeconomic data. Additionally, different lag periods (7, 14, and 21 days) are examined to assess the impact of historical prices on future market fluctuations. The findings suggest that SVR demonstrates superior performance in highly volatile markets, as it effectively captures non-linear relationships, while the AR Model performs better in markets with more stable patterns and strong autocorrelations. The comparative analysis among the selected countries reveals that market structure, liquidity, and economic policies significantly influence the effectiveness of each model. In conclusion, this study confirms that there is no universally optimal forecasting model; rather, the choice of the most suitable method depends on the specific characteristics of the market and the dynamics of the data. The results indicate that future research could explore the integration of more advanced machine learning techniques, such as XGBoost, Random Forest Regression, and Long Short-Term Memory (LSTM) Networks, to enhance predictive accuracy and further improve market volatility forecasting."],"dc:identifier":["uoadl:5305026","https://pergamos.lib.uoa.gr/uoa/dl/object/5305026"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Μοντέλα Support Vector Regression και Autoregressive Linear Regression στην πρόβλεψη της μεταβλητότητας των χρηματιστηριακών δεικτών: εφαρμογή στις αγορές της Νότιας Ευρώπης και της Ιρλανδίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:10Z"}