BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260528T125722Z LAST-MODIFIED:20260528T125722Z DTSTAMP:20260612T231724Z UID:1781295444@tuc.gr SUMMARY:Παρουσίαση μεταπτυχιακής εργασίας ΠΑ ΤΕΡΑΚΗ ΝΙΚΟΛΑΟΥ, Σχολή ΜΠΔ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=8435&cHash=1e ea20b9385b0094af422ea2378f14df\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Μηχανικών Παρ αγωγής και Διοίκησης\n Πρόγραμμα Μετ απτυχιακών Σπουδών\n Διοίκηση Επιχει ρήσεων\n  \n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗ Σ ΕΡΓΑΣΙΑΣ\n Τρίτη, 9 Ιουνίου 2026, 11:00\n https://tuc-gr.zoom.us/j/982 42584860?pwd=82jdRCbGFhOLWbf2De1cjBe XqDWp5s.1\n Ονοματεπώνυμο: ΠΑΤΕΡΑΚΗΣ ΝΙΚΟΛΑΟΣ\n Θέμα: Βελτιστοποίηση επε νδυτικών χαρτοφυλακίων μέσω αλγορίθμ ων μηχανικής μάθησης\n Title: Portfo lio optimization using machine learn ing algorithms\n Εξεταστική Επιτροπή \n \n \nΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής (ε πιβλέπων)\n \nΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟ Σ, Καθηγητής\n \nΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής\n \n Περίληψη \n Η παρούσα εργασία διερεύνησε εμπε ιρικά κατά πόσο η χρήση προβλεπόμενω ν αποδόσεων από αλγορίθμους μηχανική ς μάθησης μπορούσε να βελτιώσει την αποτελεσματικότητα ενός κλασικού χαρ τοφυλακίου μέσου-διακύμανσης. Το θέμ α εξετάστηκε με αφετηρία τη βασική α δυναμία του υποδείγματος Markowitz, δηλαδή την υψηλή ευαισθησία του στις εκτιμήσεις των αναμενόμενων αποδόσε ων. Επειδή οι αναμενόμενες αποδόσεις δεν παρατηρούνται άμεσα και συνήθως προσεγγίζονται μέσω ιστορικών μέσων όρων, η εργασία επιδίωξε να αξιολογ ήσει αν οι προβλέψεις ενός μοντέλου μηχανικής μάθησης, και συγκεκριμένα του αλγορίθμου Random Forest, μπορού ν να προσφέρουν πιο χρήσιμη πληροφορ ία στη διαδικασία βελτιστοποίησης. Γ ια την εμπειρική ανάλυση χρησιμοποιή θηκαν ημερήσια χρηματιστηριακά δεδομ ένα από μετοχές μεγάλης κεφαλαιοποίη σης του δείκτη S&P 500. Από το α ρχικό επενδυτικό σύνολο επιλέχθηκαν οι μετοχές με επαρκές και συνεχές ισ τορικό δεδομένων, ώστε η ανάλυση να βασιστεί σε συγκρίσιμες χρονοσειρές. Ως μεταβλητές εισόδου στο μοντέλο μ ηχανικής μάθησης υπολογίστηκαν τεχνι κοί δείκτες που αποτύπωναν στοιχεία τάσης, ορμής, μεταβλητότητας και όγκ ου συναλλαγών. Η μεθοδολογία οργανώθ ηκε σε κυλιόμενο πλαίσιο εκτός δείγμ ατος, ώστε κάθε χαρτοφυλάκιο να κατα σκευάζεται μόνο με πληροφορίες που ή ταν διαθέσιμες μέχρι τη στιγμή της ε κάστοτε επαναστάθμισης. Συγκρίθηκε τ ο κλασικό χαρτοφυλάκιο Markowitz, στ ο οποίο οι αναμενόμενες αποδόσεις εκ τιμήθηκαν από ιστορικούς μέσους όρου ς, με δύο εναλλακτικές εκδοχές όπου οι αναμενόμενες αποδόσεις προήλθαν α πό προβλέψεις του αλγορίθμου Random Forest. Οι δύο εκδοχές μηχανικής μάθ ησης διέφεραν ως προς το μήκος του ι στορικού παραθύρου εκπαίδευσης και ω ς προς τη συχνότητα ανανέωσης των πρ οβλέψεων, ώστε να εξεταστεί αν η μεγ αλύτερη ιστορικότητα ή η ταχύτερη πρ οσαρμογή στις νεότερες συνθήκες της αγοράς οδηγούσε σε καλύτερα αποτελέσ ματα. Η αξιολόγηση πραγματοποιήθηκε με κοινό πλαίσιο βελτιστοποίησης για όλες τις στρατηγικές, χωρίς δυνατότ ητα ανοικτών πωλήσεων και με κριτήρι ο τη μεγιστοποίηση του δείκτη Sharpe . Παράλληλα, εξετάστηκε η ευαισθησία των αποτελεσμάτων σε διαφορετικά πα ράθυρα εκτίμησης των παραμέτρων του χαρτοφυλακίου και σε διαφορετικές πε ριόδους διακράτησης. Με αυτόν τον τρ όπο, η σύγκριση δεν περιορίστηκε μόν ο στην τελική απόδοση, αλλά περιέλαβ ε και τον συνολικό κίνδυνο, την επίδ οση προσαρμοσμένη στον κίνδυνο, τον ακραίο καθοδικό κίνδυνο, τη συγκέντρ ωση των χαρτοφυλακίων και την ένταση των ανακατανομών. Τα αποτελέσματα έ δειξαν ότι η ενσωμάτωση προβλέψεων μ ηχανικής μάθησης μπορούσε να βελτιώσ ει την επίδοση του κλασικού πλαισίου Markowitz, ιδίως όταν το μοντέλο Ra ndom Forest εκπαιδεύτηκε με μεγαλύτε ρο ιστορικό παράθυρο και οι προβλέψε ις ανανεώνονταν σε πιο σταθερό χρονι κό ρυθμό. Η συγκεκριμένη προσέγγιση παρουσίασε πιο συνεπή εικόνα ως προς την απόδοση και την επίδοση προσαρμ οσμένη στον κίνδυνο. Αντίθετα, η εκδ οχή με μικρότερο ιστορικό παράθυρο κ αι συχνότερη ανανέωση των προβλέψεων εμφάνισε μεγαλύτερη προσαρμοστικότη τα, αλλά και υψηλότερη αστάθεια και μεγαλύτερη ένταση ανακατανομών. Το κ λασικό χαρτοφυλάκιο Markowitz είχε π ιο συντηρητική συμπεριφορά, αλλά υστ έρησε συνολικά ως προς την αξιοποίησ η της προβλεπτικής πληροφορίας. Συνο λικά, η εργασία κατέληξε ότι η μηχαν ική μάθηση μπορεί να λειτουργήσει ως χρήσιμο συμπλήρωμα στη βελτιστοποίη ση χαρτοφυλακίων, όταν οι προβλέψεις της ενσωματώνονται με συστηματικό κ αι ελεγχόμενο τρόπο. Η βασική συνεισ φορά της εργασίας ήταν ότι αξιολόγησ ε τη χρήση του Random Forest όχι ως μεμονωμένο εργαλείο πρόβλεψης, αλλά ως μέρος μιας ολοκληρωμένης διαδικασ ίας κατασκευής, επαναστάθμισης και α ξιολόγησης χαρτοφυλακίου. Με αυτόν τ ον τρόπο, η μελέτη συνέβαλε στην κατ ανόηση του κατά πόσο οι αλγόριθμοι μ ηχανικής μάθησης μπορούν να βελτιώσο υν στην πράξη ένα κλασικό μοντέλο επ ενδυτικής κατανομής.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260609T110000 DTEND:20260609T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR