Μοντελοποίηση της καταναλωτικής εμπιστοσύνης (consumer confidence) με oικονομετρικά και machine learning μοντέλα

Η διπλωματική εργασία εξετάζει τη μοντελοποίηση και πρόβλεψη του Δείκτη Καταναλωτικής Εμπιστοσύνης (Consumer Confidence Index – C.C.I.) με τη χρήση κλασικών οικονομετρικών μεθόδων και σύγχρονων τεχνικών μηχανικής μάθησης. Αρχικά, επιλέγονται ανεξάρτητες μεταβλητές βάσει οικονομικής θεωρίας και εμπειρικών δεδομένων και εκτιμάται γραμμικό υπόδειγμα OLS, προκειμένου να διερευνηθούν οι στατιστικά σημαντικές σχέσεις. Στη συνέχεια, εφαρμόζονται μοντέλα χρονοσειρών τύπου ARMA, τα οποία επιτρέπουν καλύτερη αποτύπωση της χρονικής εξάρτησης και της μεταβλητότητας του δείκτη. Σε επόμενο στάδιο, υλοποιούνται και συγκρίνονται αλγόριθμοι μηχανικής μάθησης, συγκεκριμένα XGBoost, Random Forest, Support Vector Regression (SVR) και Elastic Net. Η συγκριτική αξιολόγηση των μοντέλων δείχνει ότι το ARMA επιτυγχάνει την υψηλότερη προβλεπτική ακρίβεια, υπερέχοντας τόσο των απλών παλινδρομήσεων όσο και των μοντέλων μηχανικής μάθησης. Τα αποτελέσματα αναδεικνύουν τη σημασία του συνδυασμού παραδοσιακών και σύγχρονων μεθόδων για την κατανόηση και πρόβλεψη του C.C.I., με εφαρμογές στη χάραξη πολιτικής, τις επενδυτικές αποφάσεις και την ανάλυση μακροοικονομικών τάσεων.