AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Modeling and predicting financial eeries using machine learning techniques

Alternative Title :	Μοντελοποίηση και πρόβλεψη χρηματοοικονομικών σειρών με τη χρήση τεχνικών μηχανικής μάθησης

Creator :	Μουρούτσου, Άννα-Ιωάννα Mouroutsou, Anna-Ioanna

Contributor :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Besbeas, Panagiotis (Εξεταστής) Demiris, Nikolaos (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Type :	Text

Notes :	Η εργασία συνοδεύεται από αρχείο δεδομένων.

Extent :	94p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9732

Abstract :	Αντικείμενο της διπλωματικής εργασίας αποτελεί η εφαρμογή μοντέλων Μηχανικής Μάθησης σε χρηματοοικονομικά δεδομένα και διερευνάται η ικανότητα ενσωμάτωσής τους σε διαδικασίες εκτίμησης και πρόβλεψης. Κατά τη διάρκεια της ανάλυσης υλοποιείται μία εμπειρική εφαρμογή, η οποία εξετάζει την αποδοτικότητα των αλγοριθμικών διαδικασιών Μηχανικής Μάθησης, με τη χρήση τραπεζικών δεδομένων. Σκοπός της μελέτης, είναι η πρόβλεψη της εμφάνισης συστημικών τραπεζικών κρίσεων στις Ηνωμένες Πολιτείες Αμερικής. Η εφαρμογή των αναφερόμενων τεχνικών, οδηγεί την έρευνα στο συμπέρασμα ότι αξιοποιώντας τις κατάλληλες επεξηγηματικές μεταβλητές, οι συγκεκριμένες μέθοδοι δύναται να εξάγουν βελτιωμένα αποτελέσματα και να υιοθετηθούν έναντι των παραδοσιακών οικονομετρικών μοντέλων. Τέλος, επιτακτική είναι η ανάγκη εφαρμογής σύγχρονων μεθόδων για την εκτίμηση και πρόβλεψη σπάνιων γεγονότων. Η Στατιστική και η Οικονομία συμβάλλουν σε αυτήν την κατεύθυνση, επιτυγχάνοντας σημαντική εξέλιξη στις σύγχρονες τεχνικές διαχείρισης κινδύνου. Primary purpose of this Thesis is the examination of Machine Learning application in financial data modeling. Furthermore, the capability of incorporation such approaches in estimation and prediction procedures is investigated. An empirical analysis is performed to assess the performance of the most representative Machine Learning algorithmic processes. Forecasting systemic banking crises in the United States of America is the main focus of the study. The findings of the technical analysis implementation, demonstrate that, given suitable early warning indicator variables, Machine Learning techniques can achieve superior outcomes. As a result, they outperform standard econometric approaches in terms of comparative advantage.It is essential to underline the critical importance of alternative techniques of estimating and forecasting rare phenomena. The emergence of a recession is regarded as an unpredictable event in the economic world. However, Statistics and Finance, through their ongoing progress achieve to shatter this perception and contribute to advanced financial risk management strategies.

Abstract :

Αντικείμενο της διπλωματικής εργασίας αποτελεί η εφαρμογή μοντέλων Μηχανικής Μάθησης σε χρηματοοικονομικά δεδομένα και διερευνάται η ικανότητα ενσωμάτωσής τους σε διαδικασίες εκτίμησης και πρόβλεψης. Κατά τη διάρκεια της ανάλυσης υλοποιείται μία εμπειρική εφαρμογή, η οποία εξετάζει την αποδοτικότητα των αλγοριθμικών διαδικασιών Μηχανικής Μάθησης, με τη χρήση τραπεζικών δεδομένων. Σκοπός της μελέτης, είναι η πρόβλεψη της εμφάνισης συστημικών τραπεζικών κρίσεων στις Ηνωμένες Πολιτείες Αμερικής. Η εφαρμογή των αναφερόμενων τεχνικών, οδηγεί την έρευνα στο συμπέρασμα ότι αξιοποιώντας τις κατάλληλες επεξηγηματικές μεταβλητές, οι συγκεκριμένες μέθοδοι δύναται να εξάγουν βελτιωμένα αποτελέσματα και να υιοθετηθούν έναντι των παραδοσιακών οικονομετρικών μοντέλων. Τέλος, επιτακτική είναι η ανάγκη εφαρμογής σύγχρονων μεθόδων για την εκτίμηση και πρόβλεψη σπάνιων γεγονότων. Η Στατιστική και η Οικονομία συμβάλλουν σε αυτήν την κατεύθυνση, επιτυγχάνοντας σημαντική εξέλιξη στις σύγχρονες τεχνικές διαχείρισης κινδύνου.
Primary purpose of this Thesis is the examination of Machine Learning application in financial data modeling. Furthermore, the capability of incorporation such approaches in estimation and prediction procedures is investigated. An empirical analysis is performed to assess the performance of the most representative Machine Learning algorithmic processes. Forecasting systemic banking crises in the United States of America is the main focus of the study. The findings of the technical analysis implementation, demonstrate that, given suitable early warning indicator variables, Machine Learning techniques can achieve superior outcomes. As a result, they outperform standard econometric approaches in terms of comparative advantage.It is essential to underline the critical importance of alternative techniques of estimating and forecasting rare phenomena. The emergence of a recession is regarded as an unpredictable event in the economic world. However, Statistics and Finance, through their ongoing progress achieve to shatter this perception and contribute to advanced financial risk management strategies.

Subject :	Διαχείριση κινδύνου Αλγόριθμοι μηχανικής μάθησης Εκτίμηση Πρόβλεψη Χρηματοοικονομική μοντελοποίηση Risk management Machine learning algorithms Estimation Forecasting Financial modeling

Date Available :	2022-10-12 21:24:49

Date Issued :	04-10-2022

Date Submitted :	2022-10-12 21:24:49

Access Rights :	Free access

Licence :

File: Mouroutsou_2022.pdf

Type: application/pdf

Mouroutsou_2022.zip

Login