Forecasting financial time series with machine learning techniques

Abstract

Ιn this dissertation I forecast financial time series with machine learning methodologies. During my research I propose various novel forecasting schemes and attack four problems in a machine learning approach: short and long-term exchange rate, housing prices and bank insolvencies forecasting. More specifically, I propose a novel forecasting methodology in short-term exchange rate forecasting that couples a machine learning with a signal processing technique. In the same field I consider machine learning in long-term forecasting, that has never been used before in the relevant literature. When it comes to housing prices forecasting in the U.S., the machine learning model outperforms the econometric ones considered in this dissertation, while it foresees the sudden 2006 downturn in housing prices two years earlier than the actual event. In bank insolvency forecasting, the two-step machine learning models are more accurate than the currently used logistic regression models from the bank supervision authorities in the U.S. The machine learning models outperform all the econometric models examined in this dissertation in terms of forecasting error and directional forecasting accuracy Overall, the empirical findings reveal the superiority of machine learning to econometric models in forecasting the selected financial time series examined in this dissertation.

Σε αυτή τη διατριβή προβλέπω χρηματοοικονομικές χρονοσειρές με μεθόδους μηχανικής μάθησης. Κατά την έρευνά μου προτείνω διάφορες καινοτόμες μεθόδους πρόβλεψης και επιτίθεμαι σε τέσσερα προβλήματα υπό μια προσέγγιση μηχανικής μάθησης: βραχυχρόνια και μακροχρόνια πρόβλεψη συναλλαγματικών ισοτιμιών, πρόβλεψη τιμών κατοικιών και πρόβλεψη της χρεοκοπίας τραπεζών. Ειδικότερα, προτείνω μια καινοτόμο μέθοδο πρόβλεψης βραχυχρόνιων συναλλαγματικών ισοτιμιών που συνδυάζει μεθόδους μηχανικής μάθησης με μεθόδους από το χώρο της επεξεργασίας σήματος. Στο ίδιο ερευνητικό πεδίο θεωρώ τη μηχανική μάθηση στην μακροχρόνια πρόβλεψη συναλλαγματικών ισοτιμιών, μια προσέγγιση που δεν έχει χρησιμοποιηθεί ποτέ στη σχετική βιβλιογραφία. Όσον αφορά την πρόβλεψη των τιμών των κατοικιών στις ΗΠΑ, το μοντέλο μηχανικής μάθησης προβλέπει με μεγαλύτερη ακρίβεια το οικονομετρικό μοντέλο, ενώ προβλέπει την απότομη πτώση στις τιμές κατοικιών του 2006 δύο χρόνια πριν το πραγματικό γεγονός. Στην πρόβλεψη πτώχευσης τραπεζικών ιδρυμάτων, τα μοντέλα μηχανικής μάθησης δύο σταδίων είναι περισσότερο ακριβή από τα χρησιμοποιούμενα μοντέλα logistic παλινδρόμησης που χρησιμοποιούνται από τις εποπτικές αρχές στις ΗΠΑ. Τα μοντέλα μηχανικής μάθησης προβλέπουν καλύτερα από όλες τις οικονομετρικές μεθόδους που χρησιμοποιούνται σε αυτή τη διατριβή, τόσο σε όρους σφάλματος πρόβλεψης όσο και σε ακρίβεια πρόβλεψης της μελλοντικής κατεύθυνσης. Συμπερασματικά, τα εμπειρικά αποτελέσματα αποκαλύπτουν την ανωτερότητα των μεθόδων μηχανικής μάθησης έναντι των οικονομετρικών μοντέλων στην πρόβλεψη των επιλεγμένων χρηματοοικονομικών χρονοσειρών που εξετάζονται σε αυτή τη διατριβή.