Predictability of financial commodities using econometric and machine learning models

Read full text Summarise with VIRAT
Authors: Thomas J. Nikolaou, Θωμάς Νικολάου
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Τα χρηματοοικονομικά εμπορεύματα, όπως το πετρέλαιο και ο χαλκός, διαδραματίζουν κεντρικό ρόλο στη δυναμική του πληθωρισμού, στη βιομηχανική δραστηριότητα και στη διαχείριση κινδύνου χαρτοφυλακίου, ωστόσο οι αποδόσεις τους παραμένουν δύσκολο να προβλεφθούν λόγω διαταραχών της αγοράς, μη κανονικότητας και χρονικά μεταβαλλόμενης μεταβλητότητας. Η παρούσα διπλωματική εργασία εξετάζει την προβλεψιμότητα των μηνιαίων αποδόσεων εμπορευμάτων χρησιμοποιώντας ένα ευρύ σύνολο μακροοικονομικών και χρηματοοικονομικών δεικτών και αξιολογεί κατά πόσο οι μέθοδοι μηχανικής μάθησης υπερτερούν των καθιερωμένων οικονομετρικών υποδειγμάτων σε ένα ρεαλιστικό περιβάλλον πρόβλεψης. Η εμπειρική ανάλυση επικεντρώνεται στο πετρέλαιο και στον χαλκό και χρησιμοποιεί μηνιαία δεδομένα από τη Federal Reserve Bank of St. Louis (FRED). Όλες οι μεταβλητές προεπεξεργάζονται ώστε να διασφαλιστεί η στασιμότητα και η συγκρισιμότητα μεταξύ των υποδειγμάτων: οι σειρές που σχετίζονται με τιμές μετατρέπονται σε λογαριθμικές αποδόσεις, ενώ οι μεταβλητές τύπου επιτοκίων μετατρέπονται σε πρώτες διαφορές. Η αξιολόγηση της προβλεπτικής ικανότητας πραγματοποιείται σε πλαίσιο εκτός δείγματος (out-of-sample), σύμφωνα με τη μεθοδολογία επικύρωσης χρονοσειρών, χρησιμοποιώντας τυπικά μέτρα ακρίβειας πρόβλεψης όπως RMSE και MAE. Μεθοδολογικά, η μελέτη συγκρίνει παραδοσιακές οικονομετρικές προσεγγίσεις (OLS, ARMA και GARCH) με μεθόδους μηχανικής μάθησης που χρησιμοποιούνται συχνά σε προβλήματα πρόβλεψης υψηλής διάστασης (Ridge, LASSO, Decision Trees, and Random Forests). Συνολικά, τα εμπειρικά αποτελέσματα αναδεικνύουν τη σημασία της σταθερότητας εκτίμησης και της κανονικοποίησης (regularization) για την πρόβλεψη αποδόσεων εμπορευμάτων σε μηνιαίο ορίζοντα.

Fields of Study & Subjects

Stock Market Forecasting Methods Forecasting Techniques and Applications Market Dynamics and Volatility

Publication details

Journal / source
Athens University of Economics & Business
Publication date
31 January 2026
Language
EL