Συντάχθηκε 08-09-2026 11:48
Τόπος: Δ5 - Κτίριο ΜΠΔ
Έναρξη: 14/09/2026 11:00
Λήξη: 14/09/2026 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ημερομηνία: Δευτέρα, 14 Σεπτεμβρίου 2026, 11:00
Αίθουσα: εργαστήριο Συστημάτων Χρημ/κής Διοίκησης
Ονοματεπώνυμο: ΚΟΛΟΚΟΤΡΩΝΗΣ ΓΕΩΡΓΙΟΣ
Θέμα: Εφαρμογές Τεχνητής Νοημοσύνης στη Διαχείριση Χαρτοφυλακίου και Ανάλυση Μετοχών
Title: Applications of Artificial Intelligence in Portfolio Management and Stock Analysis
Εξεταστική Επιτροπή
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής (επιβλέπων)
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής
- ΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής
Περίληψη
Η παρούσα εργασία πραγματοποιεί συστηματική αφηγηματική ανασκόπηση της βιβλιογραφίας για τις εφαρμογές της τεχνητής νοημοσύνης (ΤΝ) στην ανάλυση μετοχών και στη διαχείριση χαρτοφυλακίου. Η έρευνα αποσκοπεί στην κριτική σύνθεση των ευρημάτων της διεθνούς βιβλιογραφίας, στη χαρτογράφηση των χρησιμοποιούμενων μεθόδων και στον εντοπισμό των μεθοδολογικών κενών και ανοικτών ερευνητικών ερωτημάτων. Το θεωρητικό πλαίσιο της εργασίας θεμελιώνεται στις κλασικές θεωρίες χρηματοοικονομικής διοίκησης — θεωρία χαρτοφυλακίου Markowitz, Υπόδειγμα Αποτίμησης Κεφαλαιακών Στοιχείων (CAPM), υπόθεση αποτελεσματικών αγορών (EMH) και υπόθεση προσαρμοστικών αγορών (AMH) — οι οποίες αποτελούν το εννοιολογικό υπόβαθρο μέσα στο οποίο αξιολογούνται οι αλγοριθμικές προσεγγίσεις. Στη συνέχεια αναλύονται οι κύριες κατηγορίες τεχνικών ΤΝ: επιβλεπόμενη και μη επιβλεπόμενη μάθηση, βαθιά νευρωνικά δίκτυα (LSTM, CNN, Transformers), μέθοδοι ensemble, ενισχυτική μάθηση και επεξεργασία φυσικής γλώσσας (NLP) με έμφαση στην ανάλυση συναισθήματος. Η ανασκόπηση καταδεικνύει ότι τα μοντέλα ΤΝ παρουσιάζουν σημαντικά πλεονεκτήματα σε περιβάλλοντα μη γραμμικότητας και υψηλής διαστατικότητας, με την κριτική παρατήρηση ότι η στατιστική ακρίβεια εντός δείγματος δεν μεταφράζεται πάντοτε σε οικονομική αξιοποιησιμότητα εκτός δείγματος. Η μεγαλύτερη πρακτική αξία της ΤΝ εντοπίζεται στη βελτίωση διαδικασιών υποστήριξης αποφάσεων, δυναμικής κατανομής περιουσιακών στοιχείων και αξιολόγησης κινδύνου, και όχι στην ακριβή πρόβλεψη μεμονωμένων τιμών. Οι robo-advisors αναδεικνύονται ως σημαντικός παράγοντας εκδημοκρατισμού της επενδυτικής συμβουλευτικής, αλλά συνοδεύονται από ρυθμιστικές και ηθικές προκλήσεις. Η κριτική ανάλυση αναδεικνύει σημαντικές μεθοδολογικές αδυναμίες της βιβλιογραφίας: γεωγραφική μεροληψία προς αμερικανικές αγορές, ανεπαρκή ενσωμάτωση κόστους συναλλαγών, υπερπροσαρμογή, ακατάλληλες μεθόδους επικύρωσης χρονοσειρών και χαμηλή αναπαραγωγιμότητα. Η εργασία καταλήγει ότι η ουσιαστική αξία της ΤΝ στη διαχείριση χαρτοφυλακίου θα εξαρτηθεί από τον συνδυασμό τεχνικής ακρίβειας, οικονομικής ερμηνείας, διαφάνειας και υπεύθυνης ανθρώπινης εποπτείας.
Abstract
This thesis presents a systematic narrative literature review of artificial intelligence (AI) applications in stock market analysis and portfolio management. The study aims to critically synthesize findings from the international academic literature, map the methodological landscape, and identify key research gaps and open questions. The theoretical framework is grounded in classical financial theory — Markowitz portfolio theory, the Capital Asset Pricing Model (CAPM), the Efficient Market Hypothesis (EMH), and the Adaptive Markets Hypothesis (AMH) — which constitute the conceptual backdrop against which algorithmic approaches are evaluated. The main categories of AI techniques are subsequently analyzed: supervised and unsupervised learning, deep neural network architectures (LSTM, CNN, Transformers), ensemble methods, reinforcement learning, and natural language processing (NLP) with a focus on sentiment analysis. The review demonstrates that AI models offer meaningful advantages in non-linear, high- dimensional settings. However, a critical finding is that high in-sample predictive accuracy does not automatically translate into out-of-sample economic exploitability after transaction costs. The greatest practical value of AI lies in improving decision-support processes, dynamic asset allocation, and risk assessment rather than in precisely forecasting individual stock prices. Robo-advisors emerge as a significant driver of democratization in investment advisory services, while also presenting regulatory and ethical challenges. Deep reinforcement learning shows particular promise for dynamic portfolio management. The critical analysis reveals persistent methodological weaknesses: geographic bias toward U.S. markets, insufficient incorporation of transaction costs and liquidity constraints, overfitting, inappropriate time-series validation, look-ahead bias, and low reproducibility across studies. The thesis concludes that the sustained real-world value of AI in portfolio management depends on combining technical precision with economic interpretability, regulatory compliance, transparency, and responsible human oversight — rather than on algorithmic sophistication alone.
