Ποιοι Είμαστε
Οι καθηγητές Περικλής Γκόγκας και Θεόφιλος Παπαδημητρίου με την ερευνητική ομάδα τους έχουν δημιουργήσει καινοτόμες μεθόδους με διεθνή αναγνώριση:
Έχουν δημιουργήσει και δημοσιεύσει την ακριβέστερη παγκοσμίως μέθοδο πρόγνωσης της τραπεζικής χρεωκοπίας, με ακρίβεια πρόγνωσης 99.22%.
Επινόησαν το Threshold - Minimum Dominating Set (T-MDS), την εξειδικευμένη μέθοδο ελέγχου σύνθετων οικονομικών δικτύων.
Είναι από τους πρώτους που εισήγαγαν την Μηχανική Μάθηση στον χώρο της Μακρο-οικονομίας.
Έχουν υπηρετήσει ως Guest Editors στο εξειδικευμένο τεύχος με θέμα Artificial Intelligence and Machine Learning in Economics and Finance του επιστημονικού περιοδικού Computational Economics.
Οι διδάκτορες της ερευνητικής ομάδας έχουν αναλάβει διοικητικές θέσεις σε διεθνείς οργανισμούς (ΟΟΣΑ), σε ελληνικές (Eurobank) και ξένες τράπεζες (UBS), ακαδημαϊκές και διοικητικές θέσεις σε ΑΕΙ και ΤΕΙ, διοικητικές θέσεις στην τοπική αυτοδιοίκηση.
Η ομάδα έχει συσσωρευμένες περισσότερες από 3000 αναφορές στο δημοσιευμένο έργο της.
Περικλής Γκόγκας - Google Scholar Profile
Καθηγητής Οικονομικής Ανάλυσης
Τομείς εξειδίκευσης: Μακροοικονομικά, Χρηματοοικονομικά, Μηχανική Μάθηση, Οικονομετρία
Ο Περικλής Γκόγκας είναι Καθηγητής Οικονομικής Ανάλυσης και Διεθνών Οικονομικών στο Δημοκρίτειο Πανεπιστήμιο Θράκης.
Πρόσφατα ήταν Επισκέπτης Καθηγητής στο Ross School of Business του University of Michigan Πανεπιστήμιο του Μίσιγκαν. Διδάσκει επίσης Χρηματοοικονομικά, Τραπεζική και Forecasting σε μεταπτυχιακό επίπεδο στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, στο Διεθνές Ελληνικό Πανεπιστήμιο, στο Ελληνικό Ανοικτό Πανεπιστήμιο και στο Neapolis University Pafos.
Έλαβε το διδακτορικό του πτυχίο από το University of Calgary, το μεταπτυχιακό του από το University of Saskatchewan και το πτυχίο του από το Πανεπιστήμιο Μακεδονίας.
Προσκλήθηκε να παρουσιάσει ερευνητικά σεμινάρια στην Ευρωπαϊκή Κεντρική Τράπεζα, στο Ross School of Business στο University of Michigan, στο Temple University, στο Mobile Media Association της Νέας Υόρκης κ.λπ.
Έχει πιστοποιητικό εξειδίκευσης στην "Ανοιχτή Εξ Αποστάσεως Εκπαιδευση" από το Ελληνικό Ανοιχτό Πανεπιστήμιο και το Neapolis University Pafos.
Είναι αξιολόγητής ερευνητικών και ακαδημαϊκών προγραμμάτων σε Ελλάδα, Ιταλία, Κύπρο, Κροατία, Πολωνία, Καζακστάν, κ.λπ.
Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν την Μακροοικονομική, Χρηματοοικονομική, Τραπεζική, Μηχανική Μάθηση, Τεχνητή Νοημοσύνη, Οικονομετρία και Σύνθετα Δίκτυα.
Είναι Associate Editor για το περιοδικό Economic Asymmetries (Elsevier) και το Journal of Banking and Financial Technology (Springer) και στο editorial board διαφόρων άλλων επιστημονικών περιοδικών.
Διετέλεσε για επτά χρόνια Οικονομικός Διευθυντής μεγάλης πολυεθνικής εταιρείας.
Το ερευνητικό του έργο δημοσιεύεται τακτικά σε επιστημονικά περιοδικά όπως, το Journal of Money Credit and Banking, Journal of Banking and Finance, International Journal of Forecasting, International Review of Economics and Finance, International Finance, Journal of Forecasting, Physica A, Computational Economics, Economic Modeling, Open Economies Review, κ.λπ.
Θεόφιλος Παπαδημητρίου - Google Scholar Profile
Καθηγητής Πληροφορικής
Τομείς εξειδίκευσης: Μηχανική Μάθηση, Ανάλυση Δεδομένων
Ο Θεόφιλος Παπαδημητρίου είναι Καθηγητής Πληροφορικής στο Δημοκρίτειο Πανεπιστήμιο Θράκης.
Διδάσκει Επιχειρησιακή Έρευνα και Πληροφορική σε προπτυχιακό επίπεδο, Επιστημονικό Management, Ανάλυση Δεδομένων, Πληροφοριακά Συστήματα Διοίκησης, Σύνθετα Οικονομικά Δίκτυα σε μεταπτυχιακό επίπεδο στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης και στο Δημοκρίτειο Πανεπιστήμιο Θράκης.
Έλαβε το διδακτορικό του πτυχίο από το Πολυτεχνείο του ΑΠΘ, το μεταπτυχιακό του δίπλωμα από το Universite de Nice - Sophia Antipolis και το πτυχίο μαθηματικού του από το ΑΠΘ.
'Εχει συγγράψει περισσότερες από 120 επιστημονικές εργασίες σε διεθνή περιοδικά και πρακτικά συνεδρίων και έχει συμμετάσχει ως μέλος σε πολλά ανταγωνιστικά ερευνητικά προγράμματα με Ελληνική και Διεθνή χρηματοδότηση. Υπήρξε επικεφαλής του προγράμματος Θαλής "Machine Learning for Economics and Finance" που σε 4 χρόνια παρήγαγε δυο διδακτορικές διατριβές και δέκα δημοσιεύσεις σε περιοδικά υψηλού κύρους. Θεωρείται Expert στην Μηχανική Μάθηση και την Τεχνητή Νοημοσύνη σε Οικονομικές Εφαρμογές. Έχει προσκληθεί να αναλύσει θέματα που αφορούν την Μηχανική Μάθηση και την Τεχνητή Νοημοσύνη στην European Central Bank, στο University of Michigan, στο Temple University της Philadelphia, στο Universite de Strasbourg. Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν την Μηχανική Μάθηση, την Ανάλυση Δεδομένων, τα Σύνθετα Δίκτυα.
Έχει δημοσιεύσει επιστημονικά άρθρα σε περιοδικά όπως ΙΕΕΕ Transactions on Signal Processing (IF 4.931), IEEE Transactions on Circuits and Systems for Video Technology (IF 4.685), Neurocomputing (IF 5.719), Physica A (IF 3.263), Computational Economics (IF 1.876), International Journal of Forecasting (IF 3.779), Journal of Forecasting (IF 1.57), Forecasting, Transportation Research (IF 3.693).
Ήταν μέλος της επιτροπής ερευνών του ΔΠΘ για 5 χρόνια, είναι Διευθυντής του Προγράμματος Μεταπτυχιακών Σπουδών στην Διοίκηση Επιχειρήσεων (Master in Business Administration).
Εμμανουήλ Σοφιανός - Google Scholar Profile,
PostDoc, University of Strasbourg
Ο Εμμανουήλ Σοφιανός είναι διδάκτορας του Τμήματος Οικονομικών Επιστημών του Δημοκρίτειου Πανεπιστημίου Θράκης. Η διδακτορική του διατριβή έχει τίτλο «Μελέτη μακροοικονομικών μεταβλητών με χρήση μηχανικής μάθησης και σύνθετων δικτύων» και πραγματοποιήθηκε υπό την επίβλεψη των καθηγητών Θεόφιλου Παπαδημητρίου, Περικλή Γκόγκα και Κωνσταντίνου Χαζάκη.
Είναι υπότροφος του Ιδρύματος Κρατικών Υποτροφιών (ΙΚΥ) για το διδακτορικό του. Αποφοίτησε από το Τμήμα Οικονομικών Επιστημών του Δημοκρίτειου Πανεπιστημίου Θράκης και είναι κάτοχος MBA (Master in Business Administration) από το ίδιο τμήμα όπου έλαβε υποτροφία για τη δεύτερη καλύτερη επίδοση με τελικό βαθμό 8.385.
Μέρη της διδακτορικής του διατριβής έχουν δημοσιευτεί σε έγκριτα περιοδικά όπως Journal of Forecasting, Applied Economics Letters, Energies κ.λπ. Επίσης, έχει παρουσιάσει την έρευνά του σε πολλά διεθνή και εθνικά συνέδρια.
Εργάζεται ως μεταδιδακτατορικός ερευνητής (PostDoc) στο BETA (Bureau d'économie théorique et appliquée), στο πανεπιστήμιο του Στρασβούργου, όπου και έγινε δεκτός με υποτροφία.
Είναι βοηθός καθηγητή σε φροντιστηριακά μαθήματα στο Δημοκρίτειο Πανεπιστήμιο Θράκης, Τμήμα Οικονομικών Επιστημών, σε θέματα Επιχειρηματικών Σχεδίων, Αποτίμησης Επιχειρήσεων, Ανάλυση Space Matrix, Ανάλυση SWOT, Ανάλυση Νεκρού Σημείου, Οικονομικών δεικτών, MS office, Εισαγωγή στο Octave, κ.λπ. Παράλληλα διδάσκει στα Επιμορφωτικά Προγράμματα "Οικονομικά για μη Ειδικούς", "Τεχνητή Νοημοσύνη και Μηχανική Μάθηση, Θεωρία και Εφαρμογές" και "Σύγχρονα Επιχειρηματικά Εργαλεία" του ΚΕ.ΔΙ.ΒΙ.Μ., ΔΠΘ.
Εμμανουήλ Ζαγανίδης
Υποψήφιος Διδάκτορας
Ο Εμμανουήλ Ζαγανίδης είναι υποψήφιος διδάκτορας στο Τμήμα Οικονομικών Επιστημών του Δημοκρίτειου Πανεπιστημίου Θράκης. Η διδακτορική του διατριβή έχει τίτλο “Υπολογιστική Χρηματοοικονομική” και πραγματοποιείται υπό την επίβλεψη των καθηγητών Περικλή Γκόγκα, Θεόφιλου Παπαδημητρίου.
Αποφοίτησε από το Τμήμα Οικονομικών Επιστημών του Πανεπιστημίου Μακεδονίας και είναι κάτοχος Μεταπτυχιακού στην Τραπεζική και Χρηματοοικονομική από το Διεθνές Πανεπιστήμιο Ελλάδος. Έλαβε πιστοποιητικό εξειδίκευσης στην Επιστήμη των Δεδομένων (Data science) από το IE University στην Ισπανία.
Διετέλεσε σαν αναλυτής και εκπαιδευτής στα Παράγωγα στην μεγαλύτερη Custodian Bank παγκοσμίως σε Πολωνία και Ινδία για δύο έτη. Είναι ερευνητής ποσοτικής ανάλυσης στα Παράγωγα Εμπορευμάτων σε ελληνική βιομηχανία από το 2020 και βοηθός ερευνητής στο Rennes School of Business από το 2022.
Τα ερευνητικά του ενδιαφέροντα περιλαμβάνουν την Χρηματοοικονομική, Μηχανική Μάθηση, Παράγωγα και Εμπορεύματα.
Ενδεικτικές Πρόσφατες Δημοσιεύσεις
2021 (4)
· "Forecasting Unemployment in the Euro-Area with Machine Learning", with T. Papadimitriou and E. Sofianos, Journal of Forecasting, Impact Factor 2.306, forthcoming.
· “Forecasting Natural Gas Spot Prices with Machine Learning”, with D. Mouchtaris, E. Sofianos, and T. Papadimitriou, Energies, MDPI, Impact Factor 3.004, 2021.
· “Mind the Gap: Forecasting Euro-Area Output Gaps with Machine Learning”, with E. Sofianos and T. Papadimitriou, Applied Economics Letters, Taylor & Francis, Impact Factor 1.157, forthcoming.
· “Forecasting Price Spikes in Electricity Markets”, with E. Stathakis and T. Papadimitriou, Review of Economic Analysis, vol. 13, 1, 2021.
2020 (6)
· “The resilience of the U.S. banking system”, with A. Agrapetidou and T. Papadimitriou, International Journal of Finance and Economics, forthcoming, Impact Factor 0.943.
· “Forecasting Credit Ratings of EU Banks”, with V. Plakandaras and T. Papadimitriou, Efterpi Doumpa and Maria Stefanidou, International Journal of Financial Studies, 2020, 8, 49, Scopus Citescore 0.2.
· “Gold Against the Machine”, with V. Plakandaras and T. Papadimitriou, Computational Economics, 57, 5-28, Impact Factor 1.317.
· "Forecasting S&P 500 Spikes: an SVM Approach", with T. Papadimitriou, A. Athanasiou, Digital Finance, Springer, 2, pages 241–258, 2020.
· "The evolution of the Cryptocurrencies Market: A Complex Networks approach", with T. Papadimitriou, F. Gatzoglou, Journal of Computational and Applied Mathematics, vol. 376, Impact Factor 1.883.
· "An AutoML Application to Forecasting Bank Failures", with A. Agrapetidou, P. Charonyktakis, I. Tsamardinos and T. Papadimitriou, Applied Economics Letters, volume 28, issue 1, Impact Factor 1.157.
2019 (5)
· “A re-evaluation of the term spread as a leading indicator”, with V. Plakandaras, T. Papadimitriou and Rangan Gupta, International Review of Economics and Finance, forthcoming, 2019, Impact Factor 1.432.
· “Forecasting transportation demand in the U.S. market”, with V. Plakandaras and T. Papadimitriou, Transportation Research Part A: Policy and Practice, Volume 126, August 2019, 195-214. Impact Factor 3.693.
· "Money Neutrality, Monetary Aggregates and Machine Learning", Algorithms, with T. Papadimitriou and E. Sofianos, 12(7), July 2019.
· "Oil Market Efficiency under a Machine Learning Perspective", with A. Dimitriadou, P. Gogas, T. Papadimitriou and V. Plakandaras, Forecasting, 2019, 1, 157-168.
· “A re-evaluation of the Feldstein-Horioka puzzle in the Eurozone”, with V. Plakandaras, and T. Papadimitriou, Journal of Risk & Control, Volume 6(1), 2019.
2018 (4)
· "Macroeconomic Uncertainty, Growth and Inflation in the Eurozone: A Causal Approach", with V. Plakandaras, R. Gupta, T. Papadimitriou, Applied Economics Letters, 25:14, 1029-1033, 2018. Impact Factor 0.591.
· "The Effects of Geopolitical Uncertainty in Forecasting Financial Markets: A Machine Learning Approach", with V. Plakandaras, T. Papadimitriou, Algorithms, 12:1, 2018.
· “Asymmetric Effects of Monetary Policy in the U.S. and Brazil”, with I. Pragidis and B. Tabak, Journal of Economic Asymmetries, Volume 18, 2018.
· "Forecasting Bank Failures and Stress Testing: a Machine Learning Approach", with T. Papadimitriou and A. Agrapetidou, International Journal of Forecasting, Volume 34, Issue 3, July–September 2018, 440-455. Impact Factor 2.642.
2017 (2)
· "Income Inequality: A State-by-State Complex Network Analysis", with T. Papadimitriou, G. Sarantitis, S. Miller and R. Gupta, Physica A. 2017, 483, 423-437. Impact Factor 2.243.
· "The Informational Content of the Term-Spread in Forecasting the U.S. Inflation Rate: A Nonlinear Approach", with T. Papadimitriou, V. Plakandaras and R. Gupta, Journal of Forecasting, 2017, 36(2), 109-121. Impact Factor 1.57.
INVITED SEMINARS
Neapolis University Pafos, Department of Business, “Artificial Intelligence and Machine Learning in Economics and Finance”, January 2022.
Rennes School of Business, “Artificial Intelligence and Machine Learning in Bankrapcy Forecasting”, Rennes, France, November, 2021.
University of Crete, Department of Economics, “Machine Learning for EU Macroeconomic Forecasting”, March 10, 2021.
European Central Bank, External Developments Division, Title: “A Complex Network Analysis of the U.S. Gross State Product, European Central Bank Headquarters, February 2, 2016.
European Central Bank, Macro-Financial Linkages Division, Title: “Forecasting Bank Failures with Machine Learning Methodologies”, European Central Bank Headquarters, February 2, 2016.
University of Michigan, Ross School of Business, Title: "Support Vector Machines Economic and financial forecasting using Machine Learning methodologies", Ann Arbor MI, November 2015.
Temple University, Department of Economics, Title: "Economic and financial forecasting using Machine Learning methodologies ", Philadelphia PA, November 2015.
Mobile Media Association, Research Department, “Forecasting using Machine Learning methodologies”, New York, November 2015.
University of Michigan, Ross School of Business, “Divisia Monetary Aggregates, the Great Ratios, and Classical Money Demand Functions”, University of Michigan, Ann Arbor, Michigan, USA, 2011.