Η παρούσα εργασία διερευνά τη δυνατότητα εφαρμογής προηγμένων στατιστικών και υπολογιστικών μεθόδων στην πρόβλεψη του Ακαθάριστου Εγχώριου Προϊόντος (ΑΕΠ) της Ελλάδας, χρησιμοποιώντας τριμηνιαία χρονολογικά δεδομένα. Συγκεκριμένα, υλοποιούνται και συγκρίνονται τα αποτελέσματα του στατιστικού μοντέλου SARIMA και του μοντέλουβαθιάς μάθησης Long Short-Term Memory (LSTM) με ενσωματωμένο μηχανισμό Attention, με στόχο τη σύγκριση της ακρίβειας σε βραχυχρόνιες και μακροχρόνιες προβλέψεις.

Η μελέτη συνδυάζει πσοτικές τεχνικές ανάλυσης χρονολογικών σειρών με σύγχρονες προσεγγίσεις βαθιάς μάθησης, αξιολογώντας τα μοντέλα χρησιμοποιώντας μετρικές απόδοσης όπως το Μέσο Απόλυτο Σφάλμα (MAE), η Ριζική Μέση Τετραγωνική Απόκλιση (RMSE) και το Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE). Τα δεδομένα αντλήθηκαν από επίσημες εθνικές πηγές και αναλύθηκαν με έμφαση τόσο στις περιοδικότητες όσο και στις διακυμάνσεις που χαρακτηρίζουν τη σύγχρονη ελληνική οικονομία.

Το ερευνητικό σκέλος της εργασίας αναδεικνύει τα πλεονεκτήματα και τους περιορισμούς κάθε μεθοδολογίας, παρουσιάζοντας τα κριτήρια επιλογής που θα πρέπει να ληφθούν υπόψη στην πράξη, ανάλογα με τον χρονικό ορίζοντα και το είδος της  πρόβλεψης. Επιπλέον, εξετάζονται τεχνικές προεπεξεργασίας και μετασχηματισμού των δεδομένων για τη βελτιστοποίηση της απόδοσης των μοντέλων, ενώ προτείνεται και η αξιοποίηση πρόσθετων εξωτερικών μεταβλητών στο πλαίσιο μελλοντικών πολυμεταβλητών αναλύσεων.

Η εργασία συμβάλλει στη συζήτηση γύρω από την ενσωμάτωση τεχνολογιών τεχνητής νοημοσύνης και βαθιάς μάθησης στη μακροοικονομική ανάλυση, προσφέροντας ένα αναλυτικό παράδειγμα εφαρμογής και αξιολόγησης των σχετικών τεχνικών σε πραγματικά δεδομένα. Τα αποτελέσματα ενισχύουν την αναγκαιότητα διεπιστημονικής προσέγγισης και προτείνουν νέες ερευνητικές διαδρομές, με στόχο τη βελτίωση της προβλεπτικής ακρίβειας σε δυναμικά και αβέβαια οικονομικά περιβάλλοντα.

This study investigates the feasibility of applying advanced statistical and computational methods for forecasting Greece’s Gross Domestic Product (GDP) using quarterly time series data. More specifically, it implements and compares the results of statistical model SARIMA and Long Short-Term Memory (LSTM) model, with an embedded Attention mechanism, aiming to enhance accuracy in both short-term and long-term forecasts.

The research combines quantitative techniques for time series analysis with modern deep learning approaches, evaluating the models based on performance metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The data used were extracted from Official National Databases and analyzed with emphasis on both the periodicities and the fluctuations that characterize Greek economy.

The study highlights the advantages and limitations of each methodology, presenting the practical selection criteria that should be considered depending on the forecasting horizon and type. Additionally, it examines data preprocessing and transformation techniques to optimize model performance and suggests the inclusion of additional exogenous variables for future multivariate analyses.

This study engages with the ongoing debate regarding the integration of artificial intelligence and deep learning technologies into macroeconomic analysis by providing a detailed example of the application and evaluation of these techniques on real-world data. The results emphasize the necessity of an interdisciplinary approach and propose new research paths, aiming to improve forecasting accuracy in dynamic and uncertain economic environments.