Publicação
Predicting price trends of digital products using various forecasting techniques : on the example of the steam community market
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Bertani, Nicolò | |
| dc.contributor.author | Roth, Matthias Patrick | |
| dc.date.accessioned | 2023-07-04T14:14:37Z | |
| dc.date.available | 2023-07-04T14:14:37Z | |
| dc.date.issued | 2023-02-03 | |
| dc.date.submitted | 2023-01 | |
| dc.description.abstract | The gaming industry has experienced steady growth over the years, contributing to its increasing commercialisation. One factor adding to this trend is the growing popularity of online marketplaces for ingame items, some of which are traded using realworld currencies and considered by a growing amount of young people as some new asset class. This study addresses the question of price predictability for these items, as the efficient market hypothesis posits that it is impossible to consistently predict future prices based on past prices. While this topic has been extensively discussed in the literature for classical financial time series forecasting, it has not yet been explored in the context of ingame item marketplaces. This study used data from the Steam Community Market to investigate the predictability of ingame item prices in the context of online marketplaces. Multiple linear and nonlinear forecasting models are applied to the data. This study shows that the price is predictable to some degree for many items, although the improvement is small compared to the naïve benchmark. Specially, linear models showed auspicious results for stationary data and shortterm predictions, while nonlinear models rarely delivered a strong performance. These findings suggest that forecasting digital items may be as challenging as forecasting traditional assets. | pt_PT |
| dc.description.abstract | A indústria do jogo tem verificado um crescimento constante ao longo dos anos, contribuindo para a sua crescente comercialização. Um fator que contribui para esta tendência é a crescente popularidade dos mercados online para artigos dentro do jogo, alguns dos quais são comercializados utilizando moedas do mundo real e considerados por uma quantidade crescente de jovens como uma espécie de nova classe de ativos. Este estudo aborda a questão da previsibilidade de preços para estes itens, uma vez que a hipótese de mercado eficiente postula que é impossível prever de forma consistente os preços futuros com base nos preços do passado. Embora este tópico tenha sido amplamente discutido na literatura para a previsão clássica de séries cronológicas financeiras, ainda não foi explorado no contexto dos mercados de itens dentro do jogo. Este estudo utilizou dados Steam Community Market para investigar a previsibilidade dos preços dos itens no contexto dos mercados online. Modelos múltiplos de previsão linear e nãolinear são aplicados aos dados. Este estudo mostra que o preço é previsível até certo ponto para muitos itens, embora a melhoria seja pequena em comparação com a referência naïve. Especialmente os modelos lineares mostraram resultados auspiciosos para dados estacionários e previsões a curto prazo, enquanto os modelos não lineares raramente proporcionaram um forte desempenho. Estes resultados sugerem que a previsão de itens digitais pode ser tão desafiante como a previsão de bens tradicionais. | pt_PT |
| dc.identifier.tid | 203252578 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/41543 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Steam community market | pt_PT |
| dc.subject | Digital products | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Efficient market hypothesis | pt_PT |
| dc.title | Predicting price trends of digital products using various forecasting techniques : on the example of the steam community market | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Análise de Dados para Gestão | pt_PT |