Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Portfolio construction based on advanced econometric models and machine learning techniques

Εναλλακτικός τίτλος :	Kατασκευή χαρτοφυλακίου βασισμένη σε προηγμένα οικονομετρικά μοντέλα και τεχνικές μηχανικής μάθησης

Δημιουργός :	Ζιούλης, Παναγιώτης Zioulis, Panagiotis

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Pavlopoulos, Ioannis (Εξεταστής) Vassalos, Vasilios (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	89p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11081

Περίληψη :	Στόχος της παρούσας διπλωματικής εργασίας είναι η κατασκευή χαρτοφυλακίων με συνδυασμό προηγμένων οικονομετρικών μοντέλων και τεχνικών μηχανικής μάθησης. Τα οικονομετρικά μοντέλα μας βοηθούν να κατανοήσουμε τις τάσεις της αγοράς, ενώ η μηχανική μάθηση μπορεί να εντοπίσει περίπλοκα μοτίβα. Με τον συνδυασμό αυτών των δύο προσεγγίσεων, θέλουμε να κατασκευάσουμε χαρτοφυλάκια που αποδίδουν καλύτερα, προσφέροντας υψηλές αποδόσεις με όσο το δυνατόν λιγότερο ρίσκο. Ξεκινάμε με την παρουσίαση ορισμένων απαραίτητων όρων, ορισμένων παραδοσιακών μεθόδων όπως η σύγχρονη θεωρία χαρτοφυλακίου και οι περιορισμοί τους. Προχωράμε στο επόμενο κεφάλαιο στην παρουσίαση των μοντέλων και των τεχνικών που θα χρησιμοποιήσουμε σε πραγματικά δεδομένα που θα μας βοηθήσουν να κατασκευάσουμε βέλτιστα χαρτοφυλάκια. Το 4ο κεφάλαιο παρέχει τα εμπειρικά ευρήματα και την ανάλυση για 215 αμοιβαία κεφάλαια των ΗΠΑ με βάση δύο σημαντικές προσεγγίσεις: την αξιολόγηση απόδοσης που θα μας βοηθήσει να βρούμε το κορυφαίο 10% των κεφαλαίων και την κατασκευή χαρτοφυλακίων με χρήση διαφορετικών μεθόδων, όπως το Μοντέλο Ενός Δείκτη ή το υπόδειγμα σταθερών δεσμευμένων συσχετίσεων. Συμπεραίνουμε ότι το υπόδειγμα σταθερών δεσμευμένων συσχετίσεων αυξάνει τη αθροιστική απόδοση όλων των τεχνικών μας και σε ορισμένες περιπτώσεις το δείκτη του Sharpe. The aim of this thesis is to construct portfolios with the combination of advanced econometric models and machine learning techniques. Econometric models help us understand market trends, while machine learning can identify complicated patterns. With the combination of these two approaches, we want to construct portfolios that perform better, offering high returns with less risk as much as possible. We begin with the presentation of some necessary terms, some traditional methods such as the Modern Portfolio Theory and their limitations. We proceed in the later chapter to present the models and techniques that we will use on real data which will help us to construct optimal portfolios. The 4th chapter provides the empirical findings and analysis on 215 US funds based on two important approaches: performance evaluation which will aid us to find the top 10% of funds and the construction of portfolios using different methods, such as Single Index Model or Constant Conditional Correlation. We conclude that Constant Conditional Correlation increases the cumulative return of all our techniques and in some cases the Sharpe Ratio.

Περίληψη :

Στόχος της παρούσας διπλωματικής εργασίας είναι η κατασκευή χαρτοφυλακίων με συνδυασμό προηγμένων οικονομετρικών μοντέλων και τεχνικών μηχανικής μάθησης. Τα οικονομετρικά μοντέλα μας βοηθούν να κατανοήσουμε τις τάσεις της αγοράς, ενώ η μηχανική μάθηση μπορεί να εντοπίσει περίπλοκα μοτίβα. Με τον συνδυασμό αυτών των δύο προσεγγίσεων, θέλουμε να κατασκευάσουμε χαρτοφυλάκια που αποδίδουν καλύτερα, προσφέροντας υψηλές αποδόσεις με όσο το δυνατόν λιγότερο ρίσκο. Ξεκινάμε με την παρουσίαση ορισμένων απαραίτητων όρων, ορισμένων παραδοσιακών μεθόδων όπως η σύγχρονη θεωρία χαρτοφυλακίου και οι περιορισμοί τους. Προχωράμε στο επόμενο κεφάλαιο στην παρουσίαση των μοντέλων και των τεχνικών που θα χρησιμοποιήσουμε σε πραγματικά δεδομένα που θα μας βοηθήσουν να κατασκευάσουμε βέλτιστα χαρτοφυλάκια. Το 4ο κεφάλαιο παρέχει τα εμπειρικά ευρήματα και την ανάλυση για 215 αμοιβαία κεφάλαια των ΗΠΑ με βάση δύο σημαντικές προσεγγίσεις: την αξιολόγηση απόδοσης που θα μας βοηθήσει να βρούμε το κορυφαίο 10% των κεφαλαίων και την κατασκευή χαρτοφυλακίων με χρήση διαφορετικών μεθόδων, όπως το Μοντέλο Ενός Δείκτη ή το υπόδειγμα σταθερών δεσμευμένων συσχετίσεων. Συμπεραίνουμε ότι το υπόδειγμα σταθερών δεσμευμένων συσχετίσεων αυξάνει τη αθροιστική απόδοση όλων των τεχνικών μας και σε ορισμένες περιπτώσεις το δείκτη του Sharpe.
The aim of this thesis is to construct portfolios with the combination of advanced econometric models and machine learning techniques. Econometric models help us understand market trends, while machine learning can identify complicated patterns. With the combination of these two approaches, we want to construct portfolios that perform better, offering high returns with less risk as much as possible. We begin with the presentation of some necessary terms, some traditional methods such as the Modern Portfolio Theory and their limitations. We proceed in the later chapter to present the models and techniques that we will use on real data which will help us to construct optimal portfolios. The 4th chapter provides the empirical findings and analysis on 215 US funds based on two important approaches: performance evaluation which will aid us to find the top 10% of funds and the construction of portfolios using different methods, such as Single Index Model or Constant Conditional Correlation. We conclude that Constant Conditional Correlation increases the cumulative return of all our techniques and in some cases the Sharpe Ratio.

Λέξη κλειδί :	Κατασκευή χαρτοφυλακίου Μηχανική μάθηση Αξιολόγηση απόδοσης Οικονομετρικά μοντέλα Ανάλυση χρονοσειρών Portfolio construction Machine learning (ML) Performance evaluation Econometric models Time series analysis

Διαθέσιμο από :	2024-03-15 10:56:08

Ημερομηνία έκδοσης :	16-10-2023

Ημερομηνία κατάθεσης :	2024-03-15 10:56:08

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Zioulis_2023.pdf

Τύπος: application/pdf

Είσοδος