Εφαρμογές μηχανικής μάθησης στην πρόβλεψη μετοχών και διαχείριση χαρτοφυλακίου

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 ...
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 ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 11/2028)
DOI
10.12681/eadd/63069
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/63069
ND
63069
Εναλλακτικός τίτλος
Machine learning applications in equity prediction and portfolio management
Συγγραφέας
Χαλβατζής, Χαρίτων (Πατρώνυμο: Κωνσταντίνος)
Ημερομηνία
09/2026
Ίδρυμα
Πανεπιστήμιο Μακεδονίας. Σχολή Επιστημών Πληροφορίας. Τμήμα Εφαρμοσμένης Πληροφορικής
Εξεταστική επιτροπή
Χρήστου-Βαρσακέλης Δημήτριος
Ρεφανίδης Ιωάννης
Τσουμάκας Γρηγόριος
Ζαπράνης Αχιλλέας
Πρωτοπαπαδάκης Ευτύχιος
Σαμαράς Νικόλαος
Σιφαλέρας Άγγελος
Επιστημονικό πεδίο
Φυσικές Επιστήμες ➨ Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Μηχανική μάθηση; Πρόβλεψη μετοχών; Βελτιστοποίηση χαρτοφυλακίου; Επιλογή μοντέλου
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.