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

Πετράκη, Φωτεινή

dc.contributor.advisor	Μαγκλογιάννης, Ηλίας
dc.contributor.author	Πετράκη, Φωτεινή
dc.date.accessioned	2026-05-19T06:43:54Z
dc.date.available	2026-05-19T06:43:54Z
dc.date.issued	2026-05
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19346
dc.description.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.	el
dc.format.extent	82	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Πρόβλεψη της ισοτιμίας USD/EUR με πολυμεταβλητές χρονοσειρές και μοντέλα AI	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis investigates the problem of forecasting the USD/EUR exchange rate using multivariate economic time series and modern machine learning and deep learning approaches. The main objective is to comparatively evaluate different categories of models, ranging from traditional econometric methods to advanced architectures based on Transformers, Large Language Models, and foundation models. The analysis is based on seven key economic variables, including the USD/EUR exchange rate as the target variable, along with interest rates, inflation indicators, stock market indices, and government bond yields. Data were collected from FRED and Yahoo Finance, covering the period 2007–2024. Preprocessing includes data cleaning, temporal alignment across different frequencies, and feature engineering. The empirical framework evaluates ARIMA, VAR, and XGBoost models, as well as modern approaches such as GPT4TS, PatchTST, TFT, and Chronos, using the Random Walk as a benchmark. Model performance is assessed through error metrics and statistical tests. The results indicate that none of the models consistently outperforms the Random Walk, while more complex architectures do not provide substantial improvements in forecasting accuracy. These findings suggest that increased model complexity does not necessarily lead to better predictions, especially in high-uncertainty environments. Overall, the study highlights the limitations of modern forecasting approaches and confirms that exchange rate prediction remains a challenging and open research problem.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	LLMs	el
dc.subject.keyword	Exchange rate forecasting	el
dc.subject.keyword	Time series	el
dc.subject.keyword	Random walk	el
dc.subject.keyword	Transformers	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	USD/EUR	el
dc.date.defense	2026-05

Αρχεία σε αυτό το τεκμήριο

Name:: Petraki_me2126.pdf
Μέγεθος:: 2.542Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα