Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2021-11-05
Συγγραφέας:
Sakkas Nikitas
Στοιχεία επιβλεπόντων καθηγητών:
Ιωάννης Παναγάκης, Αναπληρωτής Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Πρωτότυπος Τίτλος:
MACHINE LEARNING METHODS FOR PORTFOLIO OPTIMIZATION
Γλώσσες εργασίας:
Αγγλικά
Ελληνικά
Μεταφρασμένος τίτλος:
Μέθοδοι Μηχανικής Μάθησης για την Βελτιστοποίηση Χαρτοφυλακίου Markowitz
Περίληψη:
Στην παρακάτω πτυχιακή εργασία, εξετάζουμε το πρόβλημα της βελτιστοποίησης Χαρτοφυλακίου Markowitz, το οποίο ορίζεται ως η απόπειρα ελαχιστοποιήσης της διακύμανσης των επιστροφών μιας διαφοροποιημένης επένδυσης. Για να το επιλύσουμε, χρησιμοποιούμε πολλές συμβατικές τεχνικές Μηχανικής Μάθησης, συγκεκριμένα CVXpy, CVXpy-layers, Proximal και Projected Gradient Descent. Επίσης, προτείνουμε και μια προσέγγιση Βαθιάς Μάθησης (Deep Learning), η οποία βασίζεται σε Δικτύο Μακράς Βραχύχρονης Μνήμης (LSTM). Ως επενδυτικές μονάδες για την εκπαίδευση των μοντέλων μας, χρησιμοποιούμε τις ιστορικές επενδυτικές αποδόσεις 48 χαρτοφυλακίων διαφορετικών βιομηχανικών κλάδων για τα έτη 2019-2021(FF48 daily returns). Τέσσερα από τα μοντέλα μας, συμπεριλαμβανομένης και της υλοποίησης Deep Learning, καταφέρνουν να ξεπεράσουν την απόδοση του εξίσου σταθμισμένου χαρτοφυλακίου, κάτι που θεωρείται ιδιαίτερα δύσκολο σε αυτό το πρόβλημα. Τέλος, προτείνουμε τροποποιήσεις για περαιτέρω βελτιώσεις.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
χαρτοφυλάκιο markowitz, βελτιστοποίηση, cvxpy, projected gradient descent, lstm
Αρ. σελίδων ευρετηρίου:
4
Αρ. βιβλιογραφικών αναφορών:
38