Πρόβλεψη Χρηματοοικονομικών Δεικτών με Χρήση Τεχνητών Νευρωνικών Δικτύων

Abstract

Η πρόσφατη κρίση στον χρηματοπιστωτικό τομέα και η επακόλουθη μετάδοση της στην πραγματική οικονομία σε παγκόσμιο επίπεδο κατέδειξαν τη σημασία δυο βασικών παραγόντων: της αλληλοσύνδεσης των επιμέρους οικονομιών και της κρισιμότητας του χρηματοπιστωτικού συστήματος. Η παρούσα διπλωματική εργασία, αναλύοντας τα αίτια και τα αποτελέσματα της κρίσης, εξετάζει τη λειτουργία του τραπεζικού τομέα μελετώντας τον τρόπο μεταβολής των βασικών χρηματοοικονομικών δεικτών που την καθορίζουν. Παράλληλα, αναγνωρίζοντας την αυξανόμενη σημασία των μοντέλων πρόβλεψης στη λήψη αποφάσεων, διαφορετικές τεχνικές προβλέψεων τίθενται υπό εξέταση. Στόχος της διπλωματικής είναι να εξετάσει κατά πόσο η χρήση Τεχνητών Νευρωνικών Δικτύων βελτιώνει την ποιότητα των προβλέψεων. Για να επιτευχθεί αυτό χρησιμοποιήσαμε ως χρονοσειρές δεδομένα, χρηματοοικονομικών δεικτών, που αντλήθηκαν από ισολογισμούς ελληνικών χρηματοπιστωτικών οργανισμών. Μετά από επεξεργασία, οι τελικές χρονοσειρές εισήχθησαν σε διάφορα μοντέλα Τεχνητών Νευρωνικών Δικτύων, ώστε να εντοπίσουμε αυτό που επιφέρει τα βέλτιστα αποτελέσματα προβλέψεων. Τα αποτελέσματα αυτά, συγκρίνονται με τα αποτελέσματα που δίνουν άλλα μοντέλα πρόβλεψης, όπως η απλοϊκή μέθοδος (NAÏVE), τα μοντέλα της εκθετικής εξομάλυνσης (SES,HOLT, DAMPED), και την συνδυαστική μέθοδο Θ (Theta). Η αξιολόγηση των προαναφερθέντων μεθόδων πραγματοποιείται μέσω των σφαλμάτων: Μέσο Απόλυτο Σφάλμα (MAE), Μέσο Τετραγωνικό Σφάλμα (MSE), Μέσο απόλυτο ποσοστιαίο σφάλμα (MAPE) και Συμμετρικό μέσο απόλυτο ποσοστιαίο σφάλμα (sMAPE). Συνοψίζοντας, η παρούσα εργασία κατέδειξε ότι με τη χρήση Νευρωνικών Δικτύων παρατηρήθηκε βελτίωση της ποιότητας των προβλέψεων και σημαντική μείωση των σφαλμάτων.

The recent financial crisis and its subsequent transmission to the real economy worldwide have highlighted two key factors: the interconnection of individual economies and the significance of the financial system. In this thesis, the causes and the effects of the crisis are analysed. Within that concept, the banking sector is examined along with the trends of the key financial indicators that determine its operation. At the same time, recognising the importance of forecasting models in the decision making process, several models are presented and analysed. The aim of this thesis is to examine how the use of Artificial Neural Networks improves the accuracy of forecasting. To achieve this goal, time series data from financial ratios sourced from the balance sheets of several Greek Banks were used. The series of data were introduced in different models of Artificial Neural Networks to identify which of them provides us with the best forecasting results. These results are compared with the ones that were produced by other forecasting models, such as the NAÏVE method, models of exponential smoothing (SES, HOLT, DAMPED), and the combinatorial method Theta (Θ). The relative accuracy of the above methods was evaluated by comparing several error factors such as: Mean Absolute Error (MAE), mean square error (MSE), mean absolute percentage error (MAPE) and symmetric mean absolute percentage error (sMAPE). In conclusion, this thesis has showed that the use of Artificial Neural Networks improves the accuracy of the forecasts.