Συντάχθηκε 28-05-2026 12:57
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 09/06/2026 11:00
Λήξη: 09/06/2026 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Μεταπτυχιακών Σπουδών
Διοίκηση Επιχειρήσεων
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Τρίτη, 9 Ιουνίου 2026, 11:00
https://tuc-gr.zoom.us/j/98242584860?pwd=82jdRCbGFhOLWbf2De1cjBeXqDWp5s.1
Ονοματεπώνυμο: ΠΑΤΕΡΑΚΗΣ ΝΙΚΟΛΑΟΣ
Θέμα: Βελτιστοποίηση επενδυτικών χαρτοφυλακίων μέσω αλγορίθμων μηχανικής μάθησης
Title: Portfolio optimization using machine learning algorithms
Εξεταστική Επιτροπή
- ΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής (επιβλέπων)
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής
Περίληψη
Η παρούσα εργασία διερεύνησε εμπειρικά κατά πόσο η χρήση προβλεπόμενων αποδόσεων από αλγορίθμους μηχανικής μάθησης μπορούσε να βελτιώσει την αποτελεσματικότητα ενός κλασικού χαρτοφυλακίου μέσου-διακύμανσης. Το θέμα εξετάστηκε με αφετηρία τη βασική αδυναμία του υποδείγματος Markowitz, δηλαδή την υψηλή ευαισθησία του στις εκτιμήσεις των αναμενόμενων αποδόσεων. Επειδή οι αναμενόμενες αποδόσεις δεν παρατηρούνται άμεσα και συνήθως προσεγγίζονται μέσω ιστορικών μέσων όρων, η εργασία επιδίωξε να αξιολογήσει αν οι προβλέψεις ενός μοντέλου μηχανικής μάθησης, και συγκεκριμένα του αλγορίθμου Random Forest, μπορούν να προσφέρουν πιο χρήσιμη πληροφορία στη διαδικασία βελτιστοποίησης. Για την εμπειρική ανάλυση χρησιμοποιήθηκαν ημερήσια χρηματιστηριακά δεδομένα από μετοχές μεγάλης κεφαλαιοποίησης του δείκτη S&P 500. Από το αρχικό επενδυτικό σύνολο επιλέχθηκαν οι μετοχές με επαρκές και συνεχές ιστορικό δεδομένων, ώστε η ανάλυση να βασιστεί σε συγκρίσιμες χρονοσειρές. Ως μεταβλητές εισόδου στο μοντέλο μηχανικής μάθησης υπολογίστηκαν τεχνικοί δείκτες που αποτύπωναν στοιχεία τάσης, ορμής, μεταβλητότητας και όγκου συναλλαγών. Η μεθοδολογία οργανώθηκε σε κυλιόμενο πλαίσιο εκτός δείγματος, ώστε κάθε χαρτοφυλάκιο να κατασκευάζεται μόνο με πληροφορίες που ήταν διαθέσιμες μέχρι τη στιγμή της εκάστοτε επαναστάθμισης. Συγκρίθηκε το κλασικό χαρτοφυλάκιο Markowitz, στο οποίο οι αναμενόμενες αποδόσεις εκτιμήθηκαν από ιστορικούς μέσους όρους, με δύο εναλλακτικές εκδοχές όπου οι αναμενόμενες αποδόσεις προήλθαν από προβλέψεις του αλγορίθμου Random Forest. Οι δύο εκδοχές μηχανικής μάθησης διέφεραν ως προς το μήκος του ιστορικού παραθύρου εκπαίδευσης και ως προς τη συχνότητα ανανέωσης των προβλέψεων, ώστε να εξεταστεί αν η μεγαλύτερη ιστορικότητα ή η ταχύτερη προσαρμογή στις νεότερες συνθήκες της αγοράς οδηγούσε σε καλύτερα αποτελέσματα. Η αξιολόγηση πραγματοποιήθηκε με κοινό πλαίσιο βελτιστοποίησης για όλες τις στρατηγικές, χωρίς δυνατότητα ανοικτών πωλήσεων και με κριτήριο τη μεγιστοποίηση του δείκτη Sharpe. Παράλληλα, εξετάστηκε η ευαισθησία των αποτελεσμάτων σε διαφορετικά παράθυρα εκτίμησης των παραμέτρων του χαρτοφυλακίου και σε διαφορετικές περιόδους διακράτησης. Με αυτόν τον τρόπο, η σύγκριση δεν περιορίστηκε μόνο στην τελική απόδοση, αλλά περιέλαβε και τον συνολικό κίνδυνο, την επίδοση προσαρμοσμένη στον κίνδυνο, τον ακραίο καθοδικό κίνδυνο, τη συγκέντρωση των χαρτοφυλακίων και την ένταση των ανακατανομών. Τα αποτελέσματα έδειξαν ότι η ενσωμάτωση προβλέψεων μηχανικής μάθησης μπορούσε να βελτιώσει την επίδοση του κλασικού πλαισίου Markowitz, ιδίως όταν το μοντέλο Random Forest εκπαιδεύτηκε με μεγαλύτερο ιστορικό παράθυρο και οι προβλέψεις ανανεώνονταν σε πιο σταθερό χρονικό ρυθμό. Η συγκεκριμένη προσέγγιση παρουσίασε πιο συνεπή εικόνα ως προς την απόδοση και την επίδοση προσαρμοσμένη στον κίνδυνο. Αντίθετα, η εκδοχή με μικρότερο ιστορικό παράθυρο και συχνότερη ανανέωση των προβλέψεων εμφάνισε μεγαλύτερη προσαρμοστικότητα, αλλά και υψηλότερη αστάθεια και μεγαλύτερη ένταση ανακατανομών. Το κλασικό χαρτοφυλάκιο Markowitz είχε πιο συντηρητική συμπεριφορά, αλλά υστέρησε συνολικά ως προς την αξιοποίηση της προβλεπτικής πληροφορίας. Συνολικά, η εργασία κατέληξε ότι η μηχανική μάθηση μπορεί να λειτουργήσει ως χρήσιμο συμπλήρωμα στη βελτιστοποίηση χαρτοφυλακίων, όταν οι προβλέψεις της ενσωματώνονται με συστηματικό και ελεγχόμενο τρόπο. Η βασική συνεισφορά της εργασίας ήταν ότι αξιολόγησε τη χρήση του Random Forest όχι ως μεμονωμένο εργαλείο πρόβλεψης, αλλά ως μέρος μιας ολοκληρωμένης διαδικασίας κατασκευής, επαναστάθμισης και αξιολόγησης χαρτοφυλακίου. Με αυτόν τον τρόπο, η μελέτη συνέβαλε στην κατανόηση του κατά πόσο οι αλγόριθμοι μηχανικής μάθησης μπορούν να βελτιώσουν στην πράξη ένα κλασικό μοντέλο επενδυτικής κατανομής.
