Πρόβλεψη της ισοτιμίας USD/EUR με πολυμεταβλητές χρονοσειρές και μοντέλα AI

Abstract

Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της πρόβλεψης της συναλλαγματικής ισοτιμίας USD/EUR, αξιοποιώντας πολυμεταβλητές οικονομικές χρονοσειρές και σύγχρονες μεθόδους μηχανικής μάθησης και βαθιάς μάθησης. Κύριος στόχος είναι η συγκριτική αξιολόγηση διαφορετικών κατηγοριών μοντέλων, από παραδοσιακά οικονομετρικά υποδείγματα έως σύγχρονες αρχιτεκτονικές βασισμένες σε Transformers, Large Language Models και θεμελιώδη μοντέλα. Η ανάλυση βασίζεται σε επτά βασικές οικονομικές μεταβλητές, με την ισοτιμία USD/EUR ως μεταβλητή στόχο, καθώς και επιτόκια, δείκτες πληθωρισμού, χρηματιστηριακούς δείκτες και αποδόσεις κρατικών ομολόγων. Τα δεδομένα προέρχονται από τις βάσεις FRED και Yahoo Finance και καλύπτουν την περίοδο 2007–2024. Η προεπεξεργασία περιλαμβάνει καθαρισμό, χρονική ευθυγράμμιση διαφορετικών συχνοτήτων και κατασκευή χαρακτηριστικών. Στο εμπειρικό πλαίσιο αξιολογούνται τα μοντέλα ARIMA, VAR, XGBoost, καθώς και σύγχρονες προσεγγίσεις όπως GPT4TS, PatchTST, TFT και Chronos, με σημείο αναφοράς το Random Walk. Η αξιολόγηση πραγματοποιείται μέσω μετρικών σφάλματος και στατιστικών ελέγχων. Τα αποτελέσματα δείχνουν ότι κανένα μοντέλο δεν υπερέχει συστηματικά του Random Walk, ενώ τα πιο σύνθετα μοντέλα δεν παρουσιάζουν ουσιαστική βελτίωση στην ακρίβεια. Συμπεραίνεται ότι η αυξημένη πολυπλοκότητα δεν εγγυάται καλύτερη πρόβλεψη, ιδιαίτερα σε περιβάλλοντα υψηλής αβεβαιότητας. Η εργασία αναδεικνύει τα όρια των σύγχρονων μεθόδων και επιβεβαιώνει ότι η πρόβλεψη της ισοτιμίας USD/EUR παραμένει ένα ιδιαίτερα απαιτητικό και ανοικτό ερευνητικό πρόβλημα.