Πλοήγηση ανά Επιβλέποντα "Karampinis, Nikolaos"
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Τώρα δείχνει 1 - 1 από 1
- Αποτελέσματα ανά σελίδα
- Επιλογές ταξινόμησης
Τεκμήριο Forecasting S&P500 with machine learning(2025-07-26) Papageorgiou, Eleni; Παπαγεωργίου, Ελένη; Sakkas, Athanasios; Chalamandaris, George; Karampinis, NikolaosΗ πρόβλεψη του μετοχικού ασφαλίστρου κινδύνου (equity premium) αποτελεί αντικείμενο εκτεταμένης έρευνας στη διεθνή βιβλιογραφία, τόσο από την ακαδημαϊκή κοινότητα όσο και από επαγγελματίες της αγοράς. Η μελέτη των Goyal & Welch (2008) σχετικά με την πρόβλεψη του μετοχικού ασφαλίστρου κινδύνου (equity premium) μέσω παραδοσιακών παλινδρομήσεων καταδεικνύει ότι οι μεταβλητές που έχουν προταθεί ευρέως στη βιβλιογραφία αποτυγχάνουν να υπερβούν με συνέπεια τον ιστορικό μέσο όρο στις εκτός δείγματος (out-of-sample) προβλέψεις. Η εμφάνιση και ραγδαία ανάπτυξη των μοντέλων μηχανικής μάθησης (Machine Learning, ML), τα οποία παρέχουν τη δυνατότητα αναπροσδιορισμού περίπλοκων αλληλεπιδράσεων και σχέσεων, ενδέχεται να προσφέρει βελτιωμένη προγνωστική ικανότητα. Η παρούσα διατριβή εξετάζει κατά πόσον σύγχρονα και ευρέως αναγνωρισμένα μοντέλα παλινδρόμησης και ταξινόμησης ML μπορούν να προσδώσουν προστιθέμενη αξία στην πρόβλεψη του μετοχικού ασφαλίστρου κινδύνου, σε σύγκριση με τον ιστορικό μέσο όρο ως σημείο αναφοράς, χρησιμοποιώντας τους ίδιους προγνωστικούς δείκτες που εισήγαγαν οι Goyal & Welch (2008).