Price prediction models for alternative investments

Abstract

The rise in interest in alternative investments with potential diversification and higher returns is driven by the limitations of traditional financial markets and the evolving needs of modern investors. In this doctoral thesis, we investigate pricing mechanisms for two alternative investing sectors: Environmental, Social, and Governance (ESG) investing, focusing on environmentally responsible publicly traded equities, and digital blockchain-based assets, using a unified methodological framework. The first part of this study explores the financial implications of Corporate Environmental Responsibility (CER) within S&P 500 firms over a fifteen-year period. We assess the impact of environmental performance on market valuation using risk-adjusted metrics based on a CAPM model under the efficient market hypothesis. The analysis, supported by panel data techniques including OLS and 3SLS estimation, introduces the concept of a “Green Premium”—a measurable trade-off between environmental responsibility and investor returns. Findings reveal that while CER correlates positively with operational metrics, such as sales and profit, it does not improve stock performance, suggesting a persistent market discount for environmental stewardship. The second part of the thesis shifts focus to blockchain finance, offering a comprehensive examination of the price behavior of Non-Fungible Tokens (NFTs) through modern machine learning approaches. Data extracted directly from blockchain platforms and transformed through advanced feature engineering are used to evaluate the predictive performance of Random Forest, XGBoost, and Multilayer Perceptron models. The final dataset was the output of an advanced feature transformation pipeline. The dataset was enriched by domain-informed manual feature synthesis and Deep Feature Synthesis, reshaped by Principal Component Analysis (PCA), and refined through Feature selection techniques implementation for optimal interpretability and dimensionality reduction. Of the models tested, XGBoost demonstrated the highest predictive accuracy, with historical pricing data emerging as the most influential predictor. Together, the two parts of this thesis contribute to expanding the literature on non-traditional asset classes by applying strong analytical methods across distinct investment domains. The findings provide sector-specific insights into what drives asset values and establish a transferable methodological framework for forecasting asset prices in emerging and heterogeneous markets.

Το αυξανόμενο ενδιαφέρον για εναλλακτικές επενδύσεις που προσφέρουν διαφοροποίηση και υψηλότερες αποδόσεις, καθοδηγείται από τους περιορισμούς των παραδοσιακών χρηματοπιστωτικών αγορών και τις εξελισσόμενες ανάγκες των σύγχρονων επενδυτών. Στην παρούσα διδακτορική διατριβή διερευνώνται οι μηχανισμοί μεταβολής των τιμών δύο τομέων εναλλακτικών επενδύσεων: των επενδύσεων με κριτήρια Περιβάλλοντος, Κοινωνίας και Διακυβέρνησης (Environmental, Social, and Governance – ESG), με έμφαση στις εισηγμένες εταιρείες που επιδεικνύουν περιβαλλοντική υπευθυνότητα, και των ψηφιακών περιουσιακών στοιχείων που βασίζονται στην τεχνολογία Blockchain, μέσα από ένα ενοποιημένο μεθοδολογικό πλαίσιο. Το πρώτο μέρος της διατριβής εξετάζει τις χρηματοοικονομικές επιπτώσεις της Εταιρικής Περιβαλλοντικής Υπευθυνότητας (Corporate Environmental Responsibility – CER) στις επιχειρήσεις του δείκτη S&P 500 κατά τη διάρκεια δεκαπέντε ετών. Αξιολογείται η επίδραση της περιβαλλοντικής επίδοσης στην αποτίμηση της αγοράς μέσω δεικτών προσαρμοσμένων στον κίνδυνο, οι οποίοι βασίζονται στο υπόδειγμα CAPM και στην υπόθεση της αποτελεσματικής αγοράς. Η ανάλυση, η οποία στηρίζεται σε τεχνικές παλινδρόμησης δεδομένων πάνελ, όπως οι εκτιμήσεις OLS και 3SLS, εισάγει την έννοια του «Πράσινου Premium» — ενός μετρήσιμου αντισταθμίσματος μεταξύ περιβαλλοντικής υπευθυνότητας και αποδόσεων των επενδυτών. Τα αποτελέσματα δείχνουν ότι, ενώ η CER συσχετίζεται θετικά με λειτουργικούς δείκτες, όπως οι πωλήσεις και τα κέρδη, η χρηματιστηριακή απόδοση παραμένει κατώτερη, γεγονός που υποδηλώνει ένα διαρκές μειονέκτημα για τις επιχειρήσεις με περιβαλλοντικό προσανατολισμό στα μάτια των επενδυτών. Το δεύτερο μέρος της διατριβής επικεντρώνεται στη χρηματοοικονομική διάσταση του Blockchain, παρέχοντας μια ολοκληρωμένη ανάλυση της συμπεριφοράς τιμών των Μη Εναλλάξιμων Διακριτικών (Non-Fungible Tokens – NFTs) μέσω σύγχρονων μεθόδων μηχανικής μάθησης. Δεδομένα που αντλήθηκαν απευθείας από πλατφόρμες Blockchain και μετασχηματίστηκαν μέσω προηγμένων τεχνικών μηχανικής χαρακτηριστικών, χρησιμοποιούνται για την αξιολόγηση της προβλεπτικής ικανότητας των μοντέλων Random Forest, XGBoost και Πολυεπίπεδου Αντιληπτή (Multilayer Perceptron). Το τελικό σύνολο δεδομένων προέκυψε από μια προηγμένη διαδικασία μετασχηματισμού χαρακτηριστικών, εμπλουτισμένη με σύνθεση χαρακτηριστικών βάσει εξειδικευμένης γνώσης και Deep Feature Synthesis, αναδιαμορφωμένο μέσω Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis – PCA) και βελτιστοποιημένο μέσω τεχνικών επιλογής χαρακτηριστικών για βέλτιστη ερμηνευσιμότητα και μείωση διαστασιμότητας. Από τα μοντέλα που εξετάστηκαν, το XGBoost παρουσίασε τη μεγαλύτερη ακρίβεια πρόβλεψης, με τα ιστορικά δεδομένα τιμών να αποτελούν τον πιο καθοριστικό παράγοντα πρόβλεψης. Συνολικά, τα δύο μέρη της διατριβής συμβάλλουν στη διεύρυνση της βιβλιογραφίας σχετικά με τις μη παραδοσιακές κατηγορίες επενδυτικών στοιχείων, μέσω της εφαρμογής ισχυρών αναλυτικών μεθόδων σε διαφορετικά επενδυτικά πεδία. Τα αποτελέσματα παρέχουν εξειδικευμένες γνώσεις σχετικά με τους παράγοντες που διαμορφώνουν την αξία των περιουσιακών στοιχείων και θεμελιώνουν ένα μεταβιβάσιμο μεθοδολογικό πλαίσιο για την πρόβλεψη τιμών περιουσιακών στοιχείων σε αναδυόμενες και ετερογενείς αγορές.