Μελέτη πρόβλεψης χρηματιστηριακών τιμών χρηματοπιστωτικών ιδρυμάτων με χρήση στατιστικών και μη γραμμικών μοντέλων και εκτίμηση επίδρασης της οικονομικής κρίσης

Μίαρης, Δημήτριος; Miaris, Dimitrios

dc.contributor.author	Μίαρης, Δημήτριος	el
dc.contributor.author	Miaris, Dimitrios	en
dc.date.accessioned	2016-06-29T08:17:25Z
dc.date.available	2016-06-29T08:17:25Z
dc.date.issued	2016-06-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42881
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12257
dc.rights	Default License
dc.subject	Τιμή μετοχής	el
dc.subject	Στατιστικά μοντέλα πρόβλεψης	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Μικροοικονομικές παράμετροι	el
dc.subject	Μακροοικονομικές παράμετροι	el
dc.subject	Stock price	en
dc.subject	Statistical time series methods	en
dc.subject	Artificial neural networks	en
dc.subject	Microeconomic indicators	en
dc.subject	Macroeconomic indicators	en
dc.title	Μελέτη πρόβλεψης χρηματιστηριακών τιμών χρηματοπιστωτικών ιδρυμάτων με χρήση στατιστικών και μη γραμμικών μοντέλων και εκτίμηση επίδρασης της οικονομικής κρίσης	el
heal.type	bachelorThesis
heal.classification	Χρηματοοικονομική	el
heal.classificationURI	http://data.seab.gr/concepts/4defe2cfcbbe3d184aa0c0c87588e4051a118524
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-03-18
heal.abstract	Η ανεξέλεγκτη ανάπτυξη του παγκόσμιου χρηματοπιστωτικού συστήματος, την προηγούμενη δεκαετία, οδήγησε στην χρηματοοικονομική κρίση του 2008, η οποία επηρέασε ολόκληρο τον πλανήτη. Τις συνέπειες της κρίσης βίωσε πρώτος απ’όλους ο χρηματοπιστωτικός κλάδος, ο οποίος δέχτηκε βαρύτατο πλήγμα στην αξιοπιστία του. Ως άμεση συνέπεια αυτού οι χρηματιστηριακές τιμές των μεγαλύτερων χρηματοπιστωτικών ιδρυμάτων σημείωσαν πρωτοφανή πτώση. Η παρούσα διπλωματική εργασία έχει ως στόχο την πρόβλεψη των τιμών κλεισίματος 10 κορυφαίων τραπεζικών μετοχών, οι περισσότερες εκ των οποίων διαπραγματεύονται στο χρηματιστήριο της Νέας Υόρκης (NYSE), το μεγαλύτερο χρηματιστήριο στον κόσμο. Παράλληλα έχει ως στόχο την εκτίμηση της επίδρασης του μικροοικονομικού και μακροοικονομικού περιβάλλοντος ενός χρηματοπιστωτικού οργανισμού στην εξέλιξη της χρηματιστηριακής τιμής του. Η πρόβλεψη των τιμών αυτών γίνεται με χρήση τόσο στατιστικών μοντέλων πρόβλεψης υπό τη μορφή χρονοσειρών, όσο και αλγοριθμικών-ντετερμινιστικών μοντέλων. Συγκεκριμένα, όσον αφορά στις μεθόδους πρόβλεψης με χρήση χρονοσειρών, εφαρμόζονται οι μέθοδοι: Naïve, SES, Holt, DES και Theta. Χρησιμοποιώντας ως δεδομένα τις μηνιαίες τιμές κλεισίματος των μετοχών από το 2007-2013, επιχειρείται προέκταση των μοντέλων αυτών στο μέλλον, πραγματοποιώντας μηνιαίες προβλέψεις για τις τιμές των μετοχών το έτος 2014. Ως μη γραμμικό μοντέλο, επιλέγεται να χρησιμοποιηθεί νευρωνικό δίκτυο πρόσθιας τροφοδότησης. Το δίκτυο αυτό, δέχεται ως εισόδους μηνιαίες παραμέτρους μακροοικονομικής αλλά και μικροοικονομικής φύσεως, οι οποίες τοποθετούνται χρονικά από το 2007-2013 και εντοπίζοντας τις σχέσεις που συνδέουν τις παραμέτρους αυτές με τις τιμές των μετοχών, επιχειρείται η μηνιαία πρόβλεψή τους για το 2014 και πάλι. Μετά από σύγκριση των σφαλμάτων όλων των μοντέλων που εφαρμόστηκαν, παρατηρείται ότι τα Τεχνητά Νευρωνικά Δίκτυα πέτυχαν την μεγαλύτερη ακρίβεια για την πρόβλεψη των περισσοτέρων τιμών μετοχών που εξετάστηκαν. Οι μακροοικονομικές και μικροοικονομικές παράμετροι που χρησιμοποιήθηκαν αποδεικνύεται ότι παίζουν καθοριστικό ρόλο στην εξέλιξη της τιμής μίας τραπεζικής μετοχής.	el
heal.abstract	The uncontrolled growth of the global financial system during the past decade , resulted in the financial crisis of 2008, which affected the entire p lanet. T he financial industry was the first to experience the adverse consequences of the c risis and its credibility was seriously damaged. As a result , the stock prices of the largest f inancial institutions recorded an unprecedented decline. This thesis aims to anticipate the stock prices of top 10 banking shares, which are mainly listed on the New York Stock Exchange (NYSE), i.e., the largest Stock Exchange in the world. At the same time it aims to assess the impact of the microeconomic and macroeconomic environment of a financial institution in the development of its stock price. The forecasting of these values is performed by using both statistical forecasting models in the form of time series and algorithmic-deterministic models. More specifically, the statistical time series methods applied are the following: Naïve, SES, Holt, DES and Theta. The datapoints used were based on the monthly closing share prices for the period 2007-2013. The same data attempted were used in order to forecast stock prices in 2014. As a non-linear model, the neural feed forward network was selected. This network receives monthly input based on macroeconomic and microeconomic parameters, from the period 2007-2013 and identifies the connection between these parameters and the share prices, in order to forecast their monthly share prices in 2014. After comparing all errors identified in the model applied, it was concluded that the Artificial Neural Networks predicted more accurately most stock prices tested. Finally, macroeconomic and microeconomic parameters identified, have proved to play a key role in the development of banking share prices.	en
heal.advisorName	Ασημακόπουλος, Βασίλειος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	167 σ.	el
heal.fullTextAvailability	true