Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Λογιστικής και Χρηματοοικονομικής / Department of Accounting and Finance Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Ερευνώντας τη δυνατότητα χαρτοφυλακίων μηχανικής μάθησης να αναπαράγουν ανωμαλίες της μετοχικής αγοράς

Εναλλακτικός τίτλος :	Researching the possibility of machine learning portfolio to generate anomalies of share holder market

Δημιουργός :	Νελάης, Δημήτριος

Συντελεστής :	Χαλαμανδάρης, Γεώργιος (Επιβλέπων καθηγητής) Καβουσανός, Εμμανουήλ (Εξεταστής) Ρομπόλης, Λεωνίδας (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Λογιστικής και Χρηματοοικονομικής (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	76σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7553

Περίληψη :	Σκοπός της παρούσας διπλωματικής εργασίας είναι η βελτίωση της αδυναμίας τιμολόγη-σης των ανωμαλιών της μετοχικής αγοράς μέσω των νευρωνικών δικτυών. Οι ανωμαλίες αυτές θα εκτιμηθούν με τα μοντέλα τιμολόγησης Fama & French Five Factors (2015) και Stambaugh & Yuan (2016) στα οποία θα χρησιμοποιηθεί σαν επιπλέον παράγοντας το αποτέλεσμα του νευ-ρωνικού δικτύου. Στην συνέχεια, θα κατασκευαστούν χαρτοφυλάκια με τις ανωμαλίες αυτές και τους παράγοντες των μοντέλων μέσω της μεθόδου μέσης – διακύμανσης (mean-variance) του Markowitz και της δεσμευμένης αξίας σε κίνδυνο (Conditional Value At Risk, CVaR).Στο πρώτο κεφάλαιο γίνεται μια ανασκόπηση για τις ανωμαλίες που θα εκτιμηθούν ενώ στο δεύτερο κεφάλαιο αναφέρονται τα θεωρητικά μοντέλα Fama & French Five Factors (2015) Stambaugh &Yuan (2016) και η πηγή συλλογής των δεδομένων με τα οποία θα κατασκευαστεί η μεταβλητή Spread Anomaly μέσω της στρατηγικής Long-Short. Επίσης, στο κεφάλαιο αυτό πα-ρουσιάζονται τα αποτελέσματα από τις εκτιμήσεις της γραμμικής παλινδρόμησης των μοντέλων αυτών με τις ανωμαλίες .Στο τρίτο κεφάλαιο γίνεται μια εισαγωγή για την μηχανική μάθηση και τις διάφορες μεθόδους της, εστιάζοντας στην αρχιτεκτονική των νευρωνικών δικτύων και στην μεθοδολογία της εκπαίδευσης του νευρωνικού δικτύου. Επιπλέον, αναλύεται πώς η έξοδος του νευρωνικού δικτύου μπορεί να αποτελέσει έναν επιπλέον παράγοντα στα μοντέλα που εξετάζο-νται βελτιώνοντας την προβλεπτική τους ικανότητα. Οι μέθοδοι εκπαίδευσης του νευρωνικού δικτύου είναι η Multilayer Perceptron και η NARX.Τα αποτελέσματα της γραμμικής παλινδρό-μησης των μοντέλων που δημιουργήθηκαν παρουσιάζονται στο τέλος του κεφαλαίου αυτού. Τέ-λος, στο τέταρτο κεφάλαιο εξηγείται πώς γίνεται η κατασκευή των MLportfolio και Panomaly μέσω των μεθόδων μέσης-διακύμανσης και CVaR, εξηγώντας επιπλέον πώς το MLportfolio δη-μιουργεί ένα αποτελεσματικό σύνορο βέλτιστων χαρτοφυλακίων υψηλότερο από το Panomaly. The purpose of this thesis is to improve the inability to pricing equity market anomalies through neural networks. These anomalies will be estimated using the Fama & French Five Factors (2015) and Stambaugh & Yuan (2016) pricing models in which, the neural network output will be used as an additional factor. Subsequently, portfolios with these anomalies and model factors will be constructed using Markowitz's mean-variance method and Conditional Value At Risk (CVaR).The first chapter provides an overview of the anomalies that will be estimated, while the second chapter refers to the theoretical models of Fama & French Five Factors (2015) Stambaugh & Yuan (2016) and to the source of data to construct the Spread Anomaly variable through the Long-Short strategy. Moreover, in this chapter, the results of the linear regression estimations of these models with the anomalies are presented. In the third chapter, an introduction to machine learning and its various methods is displayed, focusing on neural network architecture and training methodology of the neural network. In addition, it is analyzed how the output of the neural network can be an additional factor in the models tested by improving their predictive ability. The training methods of the neural network are Multilayer Perceptron and NARX. The linear regression results of the models created are presented at the end of this chapter. Finally, the fourth chapter explains how to build MLportfolio and Panomaly through mean-variance and CVaR methods, further explaining how MLportfolio creates an efficient frontier of optimal portfolios higher than Panomaly

Περίληψη :

Σκοπός της παρούσας διπλωματικής εργασίας είναι η βελτίωση της αδυναμίας τιμολόγη-σης των ανωμαλιών της μετοχικής αγοράς μέσω των νευρωνικών δικτυών. Οι ανωμαλίες αυτές θα εκτιμηθούν με τα μοντέλα τιμολόγησης Fama & French Five Factors (2015) και Stambaugh & Yuan (2016) στα οποία θα χρησιμοποιηθεί σαν επιπλέον παράγοντας το αποτέλεσμα του νευ-ρωνικού δικτύου. Στην συνέχεια, θα κατασκευαστούν χαρτοφυλάκια με τις ανωμαλίες αυτές και τους παράγοντες των μοντέλων μέσω της μεθόδου μέσης – διακύμανσης (mean-variance) του Markowitz και της δεσμευμένης αξίας σε κίνδυνο (Conditional Value At Risk, CVaR).Στο πρώτο κεφάλαιο γίνεται μια ανασκόπηση για τις ανωμαλίες που θα εκτιμηθούν ενώ στο δεύτερο κεφάλαιο αναφέρονται τα θεωρητικά μοντέλα Fama & French Five Factors (2015) Stambaugh &Yuan (2016) και η πηγή συλλογής των δεδομένων με τα οποία θα κατασκευαστεί η μεταβλητή Spread Anomaly μέσω της στρατηγικής Long-Short. Επίσης, στο κεφάλαιο αυτό πα-ρουσιάζονται τα αποτελέσματα από τις εκτιμήσεις της γραμμικής παλινδρόμησης των μοντέλων αυτών με τις ανωμαλίες .Στο τρίτο κεφάλαιο γίνεται μια εισαγωγή για την μηχανική μάθηση και τις διάφορες μεθόδους της, εστιάζοντας στην αρχιτεκτονική των νευρωνικών δικτύων και στην μεθοδολογία της εκπαίδευσης του νευρωνικού δικτύου. Επιπλέον, αναλύεται πώς η έξοδος του νευρωνικού δικτύου μπορεί να αποτελέσει έναν επιπλέον παράγοντα στα μοντέλα που εξετάζο-νται βελτιώνοντας την προβλεπτική τους ικανότητα. Οι μέθοδοι εκπαίδευσης του νευρωνικού δικτύου είναι η Multilayer Perceptron και η NARX.Τα αποτελέσματα της γραμμικής παλινδρό-μησης των μοντέλων που δημιουργήθηκαν παρουσιάζονται στο τέλος του κεφαλαίου αυτού. Τέ-λος, στο τέταρτο κεφάλαιο εξηγείται πώς γίνεται η κατασκευή των MLportfolio και Panomaly μέσω των μεθόδων μέσης-διακύμανσης και CVaR, εξηγώντας επιπλέον πώς το MLportfolio δη-μιουργεί ένα αποτελεσματικό σύνορο βέλτιστων χαρτοφυλακίων υψηλότερο από το Panomaly.
The purpose of this thesis is to improve the inability to pricing equity market anomalies through neural networks. These anomalies will be estimated using the Fama & French Five Factors (2015) and Stambaugh & Yuan (2016) pricing models in which, the neural network output will be used as an additional factor. Subsequently, portfolios with these anomalies and model factors will be constructed using Markowitz's mean-variance method and Conditional Value At Risk (CVaR).The first chapter provides an overview of the anomalies that will be estimated, while the second chapter refers to the theoretical models of Fama & French Five Factors (2015) Stambaugh & Yuan (2016) and to the source of data to construct the Spread Anomaly variable through the Long-Short strategy. Moreover, in this chapter, the results of the linear regression estimations of these models with the anomalies are presented. In the third chapter, an introduction to machine learning and its various methods is displayed, focusing on neural network architecture and training methodology of the neural network. In addition, it is analyzed how the output of the neural network can be an additional factor in the models tested by improving their predictive ability. The training methods of the neural network are Multilayer Perceptron and NARX. The linear regression results of the models created are presented at the end of this chapter. Finally, the fourth chapter explains how to build MLportfolio and Panomaly through mean-variance and CVaR methods, further explaining how MLportfolio creates an efficient frontier of optimal portfolios higher than Panomaly

Λέξη κλειδί :	Νευρωνικά δίκτυα Μέθοδος Μέσης-Διακύμανσης Αξία σε κίνδυνο Μηχανική μάθηση Neural Networks (NN) Multilayer perceptron (MLP) Nonlinear Autoregressive Exogenous (NARX) Mean-Variance Value at Risk (VaR) Machine learning

Ημερομηνία :	12-12-2019

Ημερομηνία κατάθεσης :	10-02-2020

Ημερομηνία αποδοχής :	10-02-2020

Άδεια χρήσης :

Αρχείο: Nelais_2019.pdf

Τύπος: application/pdf

Είσοδος