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.
|
---|