Περίληψη
Η παρούσα διατριβή πραγματεύεται δύο θεμελιώδη ζητήματα στις ποσοτικές επενδύσεις σε μετοχές: τις συναλλαγές κατεύθυνσης (directional trading) και τη συγκρότηση χαρτοφυλακίου. Παρά τις προόδους στη μηχανική μάθηση, οι υφιστάμενες προσεγγίσεις συχνά βελτιστοποιούν τα προβλεπτικά μοντέλα χρησιμοποιώντας στατιστικούς δείκτες ακρίβειας που παρουσιάζουν περιορισμένη συνάφεια με την πραγματική επενδυτική απόδοση, ενώ βασίζονται σε πλαίσια μοντελοποίησης που δεν κλιμακώνονται αποτελεσματικά σε μεγάλα σύνολα περιουσιακών στοιχείων. Όσον αφορά τις συναλλαγές κατεύθυνσης, η διατριβή προτείνει ένα πλαίσιο επιλογής μοντέλων προσανατολισμένο στην κερδοφορία, στο οποίο οι διαμορφώσεις των μοντέλων βελτιστοποιούνται άμεσα με γνώμονα την πραγματική απόδοση των συναλλαγών. Η προσέγγιση αυτή είναι ανεξάρτητη από το συγκεκριμένο μοντέλο (model-agnostic) και ενσωματώνει έναν μηχανισμό κατανομής που λαμβάνει υπόψη την κατανομή των αποδόσεων, προσαρμόζοντας το μέγεθος των θέσεων βάσει της προβλεπόμενης κατα ...
Η παρούσα διατριβή πραγματεύεται δύο θεμελιώδη ζητήματα στις ποσοτικές επενδύσεις σε μετοχές: τις συναλλαγές κατεύθυνσης (directional trading) και τη συγκρότηση χαρτοφυλακίου. Παρά τις προόδους στη μηχανική μάθηση, οι υφιστάμενες προσεγγίσεις συχνά βελτιστοποιούν τα προβλεπτικά μοντέλα χρησιμοποιώντας στατιστικούς δείκτες ακρίβειας που παρουσιάζουν περιορισμένη συνάφεια με την πραγματική επενδυτική απόδοση, ενώ βασίζονται σε πλαίσια μοντελοποίησης που δεν κλιμακώνονται αποτελεσματικά σε μεγάλα σύνολα περιουσιακών στοιχείων. Όσον αφορά τις συναλλαγές κατεύθυνσης, η διατριβή προτείνει ένα πλαίσιο επιλογής μοντέλων προσανατολισμένο στην κερδοφορία, στο οποίο οι διαμορφώσεις των μοντέλων βελτιστοποιούνται άμεσα με γνώμονα την πραγματική απόδοση των συναλλαγών. Η προσέγγιση αυτή είναι ανεξάρτητη από το συγκεκριμένο μοντέλο (model-agnostic) και ενσωματώνει έναν μηχανισμό κατανομής που λαμβάνει υπόψη την κατανομή των αποδόσεων, προσαρμόζοντας το μέγεθος των θέσεων βάσει της προβλεπόμενης κατανομής των αποδόσεων. Τα εμπειρικά αποτελέσματα σε βασικούς δείκτες μετοχών των ΗΠΑ, σε μια περίοδο εκτός δείγματος (out-of-sample) διάρκειας μίας δεκαετίας, καταδεικνύουν σημαντικά βελτιωμένη απόδοση σε σύγκριση με τις παραδοσιακές μεθόδους επιλογής μοντέλων και τα παθητικά σημεία αναφοράς. Για τη συγκρότηση χαρτοφυλακίου, η διατριβή εισάγει το πλαίσιο «max-one», το οποίο επιλύει την αντιστάθμιση μεταξύ κλιμακωσιμότητας και βέλτιστης απόδοσης ανά περιουσιακό στοιχείο, αναθέτοντας σε κάθε στοιχείο τη βέλτιστη για αυτό διαμόρφωση μοντέλου, στο πλαίσιο μιας ενιαίας διαδικασίας εκπαίδευσης που καλύπτει το σύνολο των στοιχείων (cross-sectional training). Εφαρμοζόμενο σε ένα ευρύ σύνολο μετοχών των ΗΠΑ, σε μια περίοδο εκτός δείγματος διάρκειας είκοσι ετών, το πλαίσιο αυτό αποδίδει σημαντικά υψηλότερες αποδόσεις σε σχέση με τις τυπικές προσεγγίσεις μηχανικής μάθησης και τα σημεία αναφοράς της αγοράς, λαμβάνοντας υπόψη το κόστος συναλλαγών. Συνολικά, τα αποτελέσματα καταδεικνύουν ότι η ευθυγράμμιση της προβλεπτικής μοντελοποίησης με τους οικονομικούς στόχους, σε συνδυασμό με τη δυνατότητα κλιμακώσιμης εξειδίκευσης των μοντέλων, οδηγεί σε ουσιαστικές βελτιώσεις στην πραγματική επενδυτική απόδοση. Οι προτεινόμενες μεθοδολογίες αξιολογούνται σε σύνολα δεδομένων μακροχρόνιου ορίζοντα που καλύπτουν πολλαπλές συνθήκες αγοράς, μεγάλα σύνολα περιουσιακών στοιχείων και ρεαλιστικές παραδοχές για το κόστος συναλλαγών, αντιμετωπίζοντας έτσι βασικές ελλείψεις στη βιβλιογραφία των εμπειρικών χρηματοοικονομικών.
περισσότερα
Περίληψη σε άλλη γλώσσα
This thesis addresses two fundamental problems in quantitative equity investing: directionaltrading and portfolio construction. Despite advances in machine learning, existingapproaches often optimise predictive models using statistical accuracy metrics that are weaklyaligned with real-world investment performance, and rely on modelling frameworks that donot scale effectively across large asset universes. For directional trading, this thesis proposesa profit-driven model selection framework in which model configurations are optimised directlywith respect to realised trading performance. The approach is model-agnostic andincorporates a distribution-aware allocation mechanism that adjusts position sizing basedon the predicted return distribution. Empirical results across major U.S. equity indicesover a decade-long out-of-sample period show materially improved performance relative totraditional model selection methods and passive benchmarks. For portfolio construction, thethesis introduces ...
This thesis addresses two fundamental problems in quantitative equity investing: directionaltrading and portfolio construction. Despite advances in machine learning, existingapproaches often optimise predictive models using statistical accuracy metrics that are weaklyaligned with real-world investment performance, and rely on modelling frameworks that donot scale effectively across large asset universes. For directional trading, this thesis proposesa profit-driven model selection framework in which model configurations are optimised directlywith respect to realised trading performance. The approach is model-agnostic andincorporates a distribution-aware allocation mechanism that adjusts position sizing basedon the predicted return distribution. Empirical results across major U.S. equity indicesover a decade-long out-of-sample period show materially improved performance relative totraditional model selection methods and passive benchmarks. For portfolio construction, thethesis introduces the max-one framework, which resolves the trade-off between scalability andper-asset optimality by assigning to each asset its individually optimal model configurationwithin a single cross-sectional training procedure. Applied to a broad universe of U.S. equitiesover a twenty-year out-of-sample period, the framework delivers significantly higher returnsthan standard machine learning approaches and market benchmarks, after transaction costs.Overall, the results demonstrate that aligning predictive modelling with economic objectivesand enabling scalable model specialisation leads to substantial improvements inreal-world investment performance. The proposed methodologies are evaluated on long horizondatasets spanning multiple market regimes, large cross-sectional universes, andrealistic transaction cost assumptions, thereby addressing key shortcomings in the empiricalfinance literature.
περισσότερα