Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/20118
Author: Σάββας, Γεώργιος
Title: Προβλέψεις μεταβλητότητας της χρηματιστηριακής απόδοσης: μια εμπειρική έρευνα για τα Νορδικά χρηματιστήρια
Date Issued: 2017
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορική
Supervisor: Δριτσάκης, Νικόλαος
Abstract: Ο σκοπός της εργασίας αυτής είναι να ερευνήσει τη μεταβλητότητα και τις δευτερογενείς επιπτώσεις στα τέσσερα σκανδιναβικά χρηματιστήρια Oslo Børs Linked all-share index, AXLT Denmark: OMX Copenhagen 20, Sweden: OMX Stockholm 30 and Finland: OMX Helsinki 25. Με δεδομένο ότι υπάρχουν οι επιδράσεις ARCH στις αποδόσεις και των τεσσάρων χρηματιστηρίων προχωρήσαμε στην εκτίμηση των υποδειγμάτων ARCH(q), GARCH(p,q) και GARCH-M(p,q). Η εκτίμηση των παραμέτρων έγινε με τη μέθοδο της μέγιστης πιθανοφάνειας χρησιμοποιώντας τον αλγόριθμο BHHH των (Berndt, et al. 1974) και τις τρεις κατανομές (κανονική, t-Student, και την κατανομή του γενικευμένου σφάλματος). Τα αποτελέσματα της εργασίας έδειξαν ότι το υπόδειγμα ARMA(0,1)-GARCH-Μ(1,1) με την κατανομή t-Student είναι το καλύτερο για να περιγράψει τις αποδόσεις των Σκανδιναβικών αγορών, εκτός της Σουηδίας όπου το ARMA(0,3)-GARCH-Μ(1,1) είναι το καταλληλότερο. Τέλος, για την πρόβλεψη των υποδειγμάτων ARMA(0,1)-GARCH-Μ(1,1) και ARMA(0,3)-GARCH-Μ(1,1) των χρηματιστηρίων που εξετάζουμε χρησιμοποιούμε τόσο τη δυναμική, όσο και τη στατική διαδικασία. Τα αποτελέσματα της πρόβλεψης έδειξαν ότι η στατική διαδικασία δίνει καλύτερη πρόβλεψη από τη αντίστοιχη δυναμική.
Keywords: Απόδοση χρηματιστηρίων
Υποδείγματα GARCH
Προβλέψεις μεταβλητότητας
Χρηματιστήρια Νορδικών χωρών
Αλγόριθμος BHHH
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2017
Rights: Αναφορά Δημιουργού 4.0 Διεθνές
Appears in Collections:ΠΜΣ Εφαρμοσμένης Πληροφορικής (M)

Files in This Item:
File Description SizeFormat 
SavvasGeorgiosMsc2017.pdf1.73 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons