PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Predictability of financial commodities using econometric and machine learning models
Alternative Title :Προβλεψιμότητα χρηματοοικονομικών εμπορευμάτων με τη χρήση οικονομετρικών και μοντέλων μηχανικής μάθησης
Creator :Σκιαδά, Παναγιώτα-Μυρτώ
Skiada, Panagiota-Myrto
Contributor :Vrontos, Ioannis (Επιβλέπων καθηγητής)
Psarakis, Stelios (Εξεταστής)
Kyriakidis, Epaminondas (Εξεταστής)
Athens University of Economics and Business, Department of Statistics (Degree granting institution)
Type :Text
Extent :75p.
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11574
Abstract :Τα εμπορεύματα, αλλά και γενικότερα τα οικονομικά προϊόντα είναι το κλειδί της οικονομίας και του καθημερινού κόστους διαβίωσης. Ακριβώς επειδή είναι τόσο εμπορεύσιμα, οι τιμές τους είναι ευαίσθητες τόσο από την προσφορά και τη ζήτηση, όσο και από εξωτερικούς παράγοντες και τα σοκ της οικονομίας. Η παρακάτω ανάλυση αναλύει μοντέλα με διαφορετικές εξαρτημένες μεταβλητές, μία από κάθε κλάδο των εμπορευμάτων. Στόχος είναι να καταλάβουμε μέσω των στατιστικών μοντέλων, ποιες μεταβλητές μπορούμε να προβλέψουμε και για ποιες η πρόβλεψή τους είναι μεγαλύτερη πρόκληση για εμάς.
When it comes to the daily living costs, the Financial Commodities are considered to be key performance indicators. Their future value is based, not only on previous prices, but on the external economic and environmental factors as well. The following analysis describes the financial commodities, the statistical models, as tools to predict the future prices of the commodities and an application based on the different industries of the commodities. This analysis will unlock the variables that are important to predict future prices and how one can use them.
Subject :Στατιστικά μοντέλα
Προβλεψιμότητα
Εμπορεύματα
Statistical models
Predictability
Commodities
Date Available :2024-10-22 10:06:33
Date Issued :30-09-2024
Date Submitted :2024-10-22 10:06:33
Access Rights :Free access
Licence :

File: Skiada_2024.pdf

Type: application/pdf