| Περίληψη : | Στην σύγχρονη εποχή των αλγορίθμων μηχανικής μάθησης ,που έχουν εισχωρήσει στον χρηματοοικονομικό κλάδο, η ανάγκη για αποτελεσματική επιλογή χαρτοφυλακίων είναι μεγαλύτερη από ποτέ. Ειδικά με τις αλλεπάλληλες οικονομικές, γεωπολιτικές και υγειονομικές κρίσεις των τελευταίων ετών η έννοια του ρίσκου του χαρτοφυλακίου έχει επανέλθει στο προσκήνιο. Παραδοσιακά η διακύμανση χρησιμοποιείται ως μέτρο κινδύνου, παρότι πληθώρα ερευνών έχει καταδείξει ότι η χρήση της ενδείκνυται μόνο υπό συγκεκριμένες προϋποθέσεις. Στόχος της παρούσας διπλωματικής είναι ο υπολογισμός και η σύγκριση των αθροιστικών, λογαριθμικών αποδόσεων των βέλτιστων, επικίνδυνων χαρτοφυλακίων, τεσσάρων διαφορετικών μεθόδων. Οι επιλεγμένες μέθοδοι ενσωματώνουν κατώτερες μερικές ροπές ως μέτρο κινδύνου και ,κάποιες από αυτές, ανώτερες μερικές ροπές ως μέτρο ανταμοιβής. Η σύγκριση εστιάστηκε σε τέσσερις ερευνητικές υποθέσεις: Υ1.Τα χαρτοφυλάκια γεωμετρικού μέσου – ημιδιακύμανσης είναι τα βέλτιστα. Υ2.Τα χαρτοφυλάκια που προκύπτουν από την χρήση μερικών ροπών θα δίνουν ακόμα καλύτερα αποτελέσματα σε περιόδους κρίσης Υ3.Αν η χρήση μερικών ροπών αποδίδει χαρτοφυλάκια που μπορούν να θεωρηθούν ποιοτικά ίδια με αυτά του κλασικού μοντέλου μέσου-διακύμανσης, τότε αναμένουμε οι αποδόσεις να ακολουθούν την κανονική κατανομή Υ4.Τα χαρτοφυλάκια που προκύπτουν από την χρήση μερικών ροπών θα δίνουν ακόμα καλύτερα αποτελέσματα όσο μεγαλύτερο ρίσκο έχουν τα αξιόγραφα που αποτελούν το επενδυτικό σύνολο. Για να ελεγχθούν αυτές οι υποθέσεις χρησιμοποιήθηκαν αποδόσεις εθνικών και κλαδικών δεικτών αλλά και μετοχών από τις ΗΠΑ. Στην συνέχεια πραγματοποιήθηκε βελτιστοποίηση μέσω του Γενετικού Αλγορίθμου στο πρόγραμμα MATLAB. Τα αποτελέσματα συνηγορούν υπέρ των Υ3,Υ4, ενώ υπάρχουν αμφιβολίες σχετικά με τις Υ1 και Υ2. Συμπερασματικά, η χρήση των μεθόδων μερικών ροπών για τον προσδιορισμό του άριστου χαρτοφυλακίου δεν φαίνεται να προσδίδει αξία. Πάραυτα, τα αποτελέσματα των PMs βελτιώνονται αν το επενδυτικό σύνολο περιέχει αξιόγραφα υψηλού κινδύνου. Επίσης παρατηρήθηκε ότι όταν οι αποδόσεις των αρχικών αξιογράφων πλησιάζουν στην κανονική κατανομή, όλες οι μέθοδοι σχετίζονται πολύ στενά και δίνουν παρόμοια αποτελέσματα.
At the modern age of machine learning algorithms, which have infiltrated the financial sector, the need for effective portfolio selection is greater than ever. Especially given the continuous recent economical, geopolitical and sanitarian crises, the notion of portfolio risk has been placed once more in the spotlight. Traditionally, variance has been used as the measure of risk despite the fact numerous studies have showcased its use is recommended only under specific circumstances. The goal of this thesis is to calculate and compare the cumulative logarithmic returns of the optimal risky portfolios under four different methods. The selected methods incorporate lower partial moments as the measure of risk and upper partial moments as the measure of reward. The comparison was focused around four research hypotheses: H1. The geometric mean- semivariance portfolios are the optimal. H2. The portfolios generated by the use of partial moments will provide better results during crises. H3. If the use of partial moments provides portfolios qualitatively identical to those of the classical mean-variance framework, then we would expect the returns to follow the normal distribution. H4. The portfolios generated by the use of partial moments will provide increasingly better results as the risk of the investment set increases To test these hypotheses, returns of national and sectoral indices were used, alongside USA stocks. Then, a Genetic Algorithm Optimization was carried out in MATLAB. The results are in favor of H3 and H4 but there are doubts concerning H1 and H2. In conclusion, the use of partial moments for the determination of the optimal risky portfolio does not seem to offer additional value. However, the PMs' results improve if the investment set includes high risk assets. Moreover, if the returns of the starting assets approximates the normal distribution, all methods are highly correlated and yield similar results.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.