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 (NAVE), 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.