Σύγκριση στατιστικών μοντέλων με μοντέλα μηχανικής μάθησης σε χρηματοοικονομικούς δείκτες.
Date Issued
April 2026
Author(s)
Παπαδόπουλος, Μαρκέλλος
Advisor
Abstract
Η παρούσα μεταπτυχιακή εργασία διενεργεί μία συγκριτική αξιολόγηση μοντέλων πρόβλεψης χρονοσειρών, εστιάζοντας στην αντιπαράθεση δύο διαφορετικών υπολογιστικών προσεγγίσεων. Οι δυο βασικές κατηγορίες μοντέλων που εξετάζονται είναι τα κλασικά στατιστικά μοντέλα και τα μοντέλα μηχανικής μάθησης. Συγκεκριμένα, εξετάζεται από τα στατιστικά μοντέλα η προβλεπτική ικανότητα του Αυτοπαλινδρομικού Ολοκληρωμένου Κινητού Μέσου (ARIMA) και της Εκθετικής Εξομάλυνσης (ES) έναντι των Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης (LSTM) και των Δέντρων Παλινδρόμησης Ενισχυμένης Κλίσης (XGBoost). Επίσης, η ανάλυση βασίζεται σε δεδομένα αποδόσεων δεικτών βιομηχανικών κλάδων από τη βάση δεδομένων του ”Kenneth French”.
Η αξιολόγηση της απόδοσης πραγματοποιείται μέσω των δεικτών του Μέσου Τετραγωνικού Σφάλματος (RMSE) και του Μέσου Απόλυτου Σφάλματος (MAE). Τα αποτελέσματα αναδεικνύουν τα συγκριτικά πλεονεκτήματα του Δέντρου Παλινδρόμησης Ενισχυμένης Κλίσης (XGBoost) στη διαχείριση μη γραμμικών σχέσεων. Παράλληλα συζητούνται οι περιορισμοί των Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης (LSTM) σε μικρά σύνολα δεδομένων, συμβάλλοντας στον ακαδημαϊκό διάλογο περί της καταλληλόλητας της μηχανικής μάθησης στις χρηματοοικονομικές προβλέψεις.
Η αξιολόγηση της απόδοσης πραγματοποιείται μέσω των δεικτών του Μέσου Τετραγωνικού Σφάλματος (RMSE) και του Μέσου Απόλυτου Σφάλματος (MAE). Τα αποτελέσματα αναδεικνύουν τα συγκριτικά πλεονεκτήματα του Δέντρου Παλινδρόμησης Ενισχυμένης Κλίσης (XGBoost) στη διαχείριση μη γραμμικών σχέσεων. Παράλληλα συζητούνται οι περιορισμοί των Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης (LSTM) σε μικρά σύνολα δεδομένων, συμβάλλοντας στον ακαδημαϊκό διάλογο περί της καταλληλόλητας της μηχανικής μάθησης στις χρηματοοικονομικές προβλέψεις.
Affiliation
File(s)![Thumbnail Image]()
Name
papadopoulos markellos.msc.2026abstract.pdf
Size
240.12 KB
Format
Adobe PDF
Checksum (MD5)
1778e725f01d27daed1099bc65506d32