Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Οικονομικών Επιστημών / School of Economics Τμήμα Οικονομικής Επιστήμης / Department of Economics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Modeling natural gas time series using econometric models and machine learning techniques

Εναλλακτικός τίτλος :	Μοντελοποίηση χρονοσειρών φυσικού αερίου χρησιμοποιώντας οικονομετρικά μοντέλα και τεχνικές μηχανικής μάθησης

Δημιουργός :	Γεωργάκη, Πολυξένη Georgaki, Polyxeni

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Pagratis, Spyridon (Εξεταστής) Antoniou, Fabio (Εξεταστής) Athens University of Economics and Business, Department of Economics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	64p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11260

Περίληψη :	Η ανάλυση αυτή εξετάζει τις προκλήσεις που παρουσιάζονται από την ασταθή και απρόβλεπτη φύση των τιμών του φυσικού αερίου, ειδικότερα στην αμερικανική αγορά, που επηρεάζει επενδυτές, πολιτικούς και ενεργειακούς εμπλεκόμενους. Αξιολογεί διάφορες τεχνικές μοντελοποίησης για να κατανοήσει καλύτερα αυτές τις διακυμάνσεις των τιμών. Συγκρίνονται παράλληλα παραδοσιακές στατιστικές μέθοδοι όπως η Πολλαπλή Γραμμική Παλινδρόμηση και EGARCH μοντέλα, καθώς και σύγχρονες μέθοδοι μηχανικής μάθησης που περιλαμβάνουν Lasso, Bagging Regression, Random Forest και Recursive Partitioning. This analysis delves into the challenges presented by the volatile and unpredictable nature of natural gas prices, particularly within the U.S. market, impacting investors, policymakers, and energy stakeholders. It evaluates various modeling techniques to better understand these price fluctuations. Comparisons are drawn between traditional statistical methods such as Multiple Linear Regression and Exponential Generalized Autoregressive Conditional Heteroscedasticity (EGARCH) models, and modern machine learning approaches including Lasso, Bagging Regression, Random Forest, and Recursive Partitioning.

Περίληψη :

Η ανάλυση αυτή εξετάζει τις προκλήσεις που παρουσιάζονται από την ασταθή και απρόβλεπτη φύση των τιμών του φυσικού αερίου, ειδικότερα στην αμερικανική αγορά, που επηρεάζει επενδυτές, πολιτικούς και ενεργειακούς εμπλεκόμενους. Αξιολογεί διάφορες τεχνικές μοντελοποίησης για να κατανοήσει καλύτερα αυτές τις διακυμάνσεις των τιμών. Συγκρίνονται παράλληλα παραδοσιακές στατιστικές μέθοδοι όπως η Πολλαπλή Γραμμική Παλινδρόμηση και EGARCH μοντέλα, καθώς και σύγχρονες μέθοδοι μηχανικής μάθησης που περιλαμβάνουν Lasso, Bagging Regression, Random Forest και Recursive Partitioning.
This analysis delves into the challenges presented by the volatile and unpredictable nature of natural gas prices, particularly within the U.S. market, impacting investors, policymakers, and energy stakeholders. It evaluates various modeling techniques to better understand these price fluctuations. Comparisons are drawn between traditional statistical methods such as Multiple Linear Regression and Exponential Generalized Autoregressive Conditional Heteroscedasticity (EGARCH) models, and modern machine learning approaches including Lasso, Bagging Regression, Random Forest, and Recursive Partitioning.

Λέξη κλειδί :	Τιμή φυσικού αερίου EGARCH μοντέλα Μοντέλα μηχανικής εκμάθησης Οικονομετρικά μοντέλα Natural gas price EGARCH models Machine learning models Econometric models

Διαθέσιμο από :	2024-04-03 22:22:55

Ημερομηνία έκδοσης :	02-04-2024

Ημερομηνία κατάθεσης :	2024-04-03 22:22:55

Ημερομηνία αποδοχής :	04-04-2024

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Georgaki_2024.pdf

Τύπος: application/pdf

Είσοδος