Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/29946
Autoria: | Steyaert, Michelle |
Orientação: | Mendes, Diana Elisabeta Aldea |
Data: | 17-Nov-2023 |
Título próprio: | Bank loans and economic uncertainty |
Referência bibliográfica: | Steyaert, M. (2023). Bank loans and economic uncertainty [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/29946 |
Palavras-chave: | Séries temporais -- Time series Risco de crédito -- Credit risk VAR ARIMAX Markov-Switching Machine learning |
Resumo: | Changes in political measures over the years, often caused by global incidents, make it almost
impossible to predict bank loans, leading financial institutions to develop models and techniques to
predict these values.
This dissertation will make several forecasts for the values of bank loans in the USA, using different
techniques and different variables, including uncertainty, to understand the relationship between
them. We will use the ARIMA, ARIMAX, VAR and MSVAR models, by considering a dataset from 1990
to 2023, and we will predict four values-a-head, relative to one year. Then, we compare the predicted
values with the real values (values from the test set) to understand which model predicted better and
why. To check the model’s performance, we use measures such as MAPE. We also present the
algorithms that were programmed and run in Python, using the Jupyter Notebook application. A alteração ao longo dos anos das medidas políticas, causadas muitas vezes por incidentes mundiais, leva à quase impossibilidade de prever os empréstimos bancários, levando a que instituições financeiras desenvolvessem modelos e técnicas de forma a tentar prever estes valores. Esta dissertação irá fazer previsões para os valores dos empréstimos bancários nos USA, usando diferentes técnicas e várias variáveis, incluindo a incerteza, tendo como objetivo tentar perceber a relação entre as mesmas. Iremos usar os modelos ARIMA, ARIMAX, VAR e MSVAR, para um conjunto de dados desde 1990 até 2023, e, portanto, iremos prever quatro valores, relativos aos trimestres de um novo ano. Seguidamente, iremos comparar os valores preditos com os valores reais para compreender qual modelo previu melhor e porquê. Para verificar a performance do modelo usamos medidas como o MAPE. Adicionalmente, também apresentamos os algoritmos que foram programados e corridos em Python, recorrendo à aplicação Jupyter Notebook. |
Designação do Departamento: | Departamento de Finanças |
Designação do grau: | Mestrado em Matemática Financeira |
Arbitragem científica: | yes |
Acesso: | Acesso Restrito |
Aparece nas coleções: | T&D-DM - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
master_michelle_steyaert.pdf Restricted Access | 5,15 MB | Adobe PDF | Ver/Abrir Request a copy |
Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.