BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260429T101952Z LAST-MODIFIED:20260429T101952Z DTSTAMP:20260615T230905Z UID:1781554145@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Όντρια - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=8387&cHash=8d 77089448a1511281abee389e10e577\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κω νσταντίνου Όντρια\n με θέμα\n Βραχυπ ρόθεσμη Πρόβλεψη Χρηματοοικονομικών Δεδομένων με Χρήση Μοντέλων Χρονοσει ρών και Μεθόδων Μηχανικής Μάθησης\n Short-Term Forecasting of Financial Market Data Using Time Series Models and Machine Learning Methods\n Εξετ αστική Επιτροπή\n Καθηγητής Διονύσιο ς Χριστόπουλος (επιβλέπων)\n Καθηγητ ής Μιχαήλ Λαγουδάκης\n Δρ. Σοφία Τσα κιρίδου (Σχολή ΗΜΜΥ, ΕΔΙΠ)\n Περίληψ η\n Οι χρηματοοικονομικές αγορές έχο υν παραδοσιακά θεωρηθεί ως ένας από τους βασικούς δείκτες οικονομικής δρ αστηριότητας, με τις αγορές μετοχών να προσελκύουν ιδιαίτερη προσοχή, κα θώς οι τιμές των μετοχών αντανακλούν την αγοραία αξία μιας επιχείρησης, την αναμενόμενη μελλοντική της κερδο φορία, τις προοπτικές ανάπτυξης και τους επενδυτικούς κινδύνους που αντι μετωπίζει, καθώς και τις ευρύτερες ο ικονομικές συνθήκες. Συνεπώς, η προσ πάθεια πρόβλεψης των τιμών καθώς και των αποδόσεων των μετοχών θεωρείται μία από τις πιο σύνθετες προκλήσεις στη σύγχρονη χρηματοοικονομική οικο νομική θεωρία. Σύμφωνα με την Υπόθεσ η της Αποτελεσματικής Αγοράς (Fama, 1970), οι χρηματοοικονομικές αγορές είναι πληροφοριακά αποτελεσματικές, γεγονός που συνεπάγεται ότι οι τιμές των μετοχών ενσωματώνουν πλήρως όλε ς τις δημόσια διαθέσιμες πληροφορίες , με αποτέλεσμα οι επενδυτές να μην μπορούν να επιτυγχάνουν συστηματικά υπερβάλλουσες αποδόσεις. Παραδοσιακά , για σκοπούς πρόβλεψης χρησιμοποιού νται οικονομετρικά μοντέλα χρονοσειρ ών, όπως το μοντέλο Αυτοπαλίνδρομου Ολοκληρωμένου Κινητού Μέσου Όρου (Au toregressive Integrated Moving Avera ge – ARIMA). Ωστόσο, δεδομένου ότι τ α χρηματοοικονομικά δεδομένα συχνά π αρουσιάζουν το φαινόμενο της συσσώρε υσης της μεταβλητότητας (volatility clustering), εφαρμόζονται συχνά επεκ τάσεις όπως τα μοντέλα ARIMA-GARCH γ ια την καλύτερη αποτύπωση της δυναμι κής της αγοράς. Παράλληλα, τα τελευτ αία χρόνια τεχνικές μηχανικής μάθηση ς εφαρμόζονται ολοένα και περισσότερ ο στην πρόβλεψη χρηματοοικονομικών δ εδομένων. Ιδιαίτερα, ο αλγόριθμος Ex treme Gradient Boosting (XGBoost) έχ ει αναδειχθεί σε ένα ισχυρό εργαλείο πρόβλεψης, λόγω της ικανότητάς του να διαχειρίζεται μη γραμμικές σχέσει ς και χώρους χαρακτηριστικών υψηλών διαστάσεων. \n Παρακινούμενη από τις  παραπάνω εξελίξεις, η παρούσα διπλ ωματική εργασία αξιολογεί την ακρίβε ια πρόβλεψης των μοντέλων ARIMA, ARI MA-GARCH και XGBoost χρησιμοποιώντας δεδομένα μετοχών πέντε μεγάλων αμερ ικανικών εταιρειών, οι οποίες αντιπρ οσωπεύουν διαφορετικούς τομείς της ο ικονομίας. Συγκεκριμένα, εξετάζονται μετοχές των εταιρείων Apple Inc. (A APL), Microsoft Corp. (MSFT), Exxon Mobil Corp. (XOM), JPMorgan Chase &a mp; Co. (JPM), και The Coca-Cola Com pany (KO). Οι προβλέψεις των ημερήσι ων λογαριθμικών αποδόσεων πραγματοπο ιούνται με τη χρήση ενός πλαισίου κυ λιόμενης πρόβλεψης ενός βήματος ώστε να προσομοιωθούν ρεαλιστικές συνθήκ ες πρόβλεψης εκτός δείγματος, ενώ η ακρίβεια των μοντέλων αξιολογείται μ ε τη χρήση μετρικών ακρίβειας πρόβλε ψης. Τα αποτελέσματα δείχνουν ότι η ακρίβεια πρόβλεψης εξαρτάται τόσο απ ό τα χαρακτηριστικά των μετοχών που περιλαμβάνονται στο υπό εξέταση χαρτ οφυλάκιο όσο και από τις προδιαγραφέ ς του εκάστοτε μοντέλου. Παρότι το μ οντέλο ARIMA είναι ικανό να αποτυπώσ ει γραμμικές σχέσεις, το υβριδικό μο ντέλο ARIMA–GARCH αποτελεί απαραίτητ η επέκταση του βασικού μοντέλου ARIM A, καθώς επιτρέπει τη βελτίωση των π ροβλέψεων λαμβάνοντας υπόψη και το φ αινόμενο της συσσώρευσης μεταβλητότη τας. Τέλος, το μοντέλο XGBoost επιτυ γχάνει ελαφρώς υψηλότερη ακρίβεια στ ις προβλέψεις του σε σύγκριση με τα υπόλοιπα μοντέλα, ιδιαίτερα όταν το σύνολο χαρακτηριστικών ιδιοτήτων εμπ λουτίζεται με  πρόσθετα χαρακτηριστι κά (engineered features) και εξωτερι κούς δείκτες της αγοράς. Ωστόσο, τα κέρδη ως προς την ακρίβεια πρόβλεψης παραμένουν οριακά σε σύγκριση με το μοντέλο αναφοράς του τυχαίου περιπά του (random walk). Τα αποτελέσματα δ είχνουν ότι, παρότι το μοντέλο μηχαν ικής μάθησης μπορεί να προσφέρει μια ελάχιστα αυξημένη προβλεπτική ικανό τητα, η συνολική συμπεριφορά των απο δόσεων των μετοχών παραμένει συμβατή με την Υπόθεση της Αποτελεσματικής Αγοράς.\n Abstract \n Financial mark ets have traditionally been perceive d as one of the major indicators of economic activity, with the equity m arkets attracting particular attenti on, as stock prices reflect the mark et value of a company, its expected future profitability, growth potenti al, and risk, as well as broader eco nomic conditions. Therefore, forecas ting stock prices and returns is con sidered one of the most important ch allenges in today's financial econom ics. According to the Efficient Mark et Hypothesis (Fama 1970), financial markets are informationally efficie nt, implying that asset prices fully reflect all publicly available info rmation; this means that investors c annot systematically generate abnorm al profits. Traditionally, econometr ic time series models, such as the A utoregressive Integrated Moving Aver age (ARIMA) model, are used for fore casting purposes. However, consideri ng that financial data often exhibit volatility clustering, extensions s uch as ARIMA–GARCH models are freque ntly applied to better capture marke t dynamics. Furthermore, in recent y ears, machine learning techniques ha ve also been increasingly applied in financial forecasting. In particula r, Extreme Gradient Boosting (XGBoos t) has emerged as a powerful predict ive tool, owing to its ability to ha ndle non-linear relationships and hi gh-dimensional feature spaces. \n Mo tivated by these developments, this dissertation evaluates the forecasti ng performance of ARIMA, ARIMA–GARCH , and XGBoost models, using daily st ock data from five major U.S. corpor ations representing various sectors of the economy: Apple Inc. (AAPL), M icrosoft Corp. (MSFT), Exxon Mobil C orp. (XOM), JPMorgan Chase & Co. (JPM), and The Coca-Cola Company (K O). Forecasts of daily log-returns a re generated using a rolling one-ste p-ahead framework to simulate realis tic out-of-sample prediction conditi ons, and model performance is evalua ted using standard forecasting accur acy metrics. The results indicate th at predictive accuracy depends on th e characteristics of the assets incl uded in the portfolio and the specif ications used in the model. Although the ARIMA model can capture linear relationships, the ARIMA-GARCH hybri d model is a necessary extension of the baseline ARIMA model, which can provide enhanced predictions by also accounting for volatility clusterin g. Finally, the XGBoost model provid es slightly higher predictive accura cy compared to the other models, esp ecially if the feature set is enrich ed with engineered variables and ext ernal market indicators. However, th e predictive accuracy gains are marg inal compared to the random walk mod el. Overall, the results indicate th at even if the machine learning mode l can provide some predictive accura cy, the overall behavior of the stoc ks is consistent with the Efficient Market Hypothesis.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260504T180000 DTEND:20260504T190000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR