Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Σχολή Διοίκησης Επιχειρήσεων

Μόνιμο URI για αυτήν την κοινότηταhttps://pyxida.aueb.gr/handle/123456789/21

Η Σχολή Διοίκησης Επιχειρήσεων περιλαμβάνει τα Τμήματα: - Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων - Τμήμα Μάρκετινγκ και Επικοινωνίας - Τμήμα Λογιστικής και Χρηματοοικονομικής - Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας.

Περιήγηση

Πλοήγηση Σχολή Διοίκησης Επιχειρήσεων ανά Θέμα "5-fold cross validation"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Factor investing with machine learning: a comprehensive analysis of financial predictors for stock returns
    (12-12-2024) Θεοδώρου, Κωνσταντίνος; Theodorou, Konstantinos; Athens University of Economics and Business, Department of Accounting and Finance; Sakkas, Athanasios; Chalamandaris, George; Rompolis, Leonidas
    Ο κύριος στόχος αυτής της διατριβής είναι να εξερευνήσει τις δυνατότητες των αλγορίθμων Μηχανικής Μάθησης για την ενίσχυση των προβλεπτικών ικανοτήτων της επενδυτικής στρατηγικής βάσει παραγόντων στον χρηματοοικονομικό τομέα. Τα παραδοσιακά χρηματοοικονομικά μοντέλα συχνά βασίζονται σε γραμμικές υποθέσεις και απλοποιημένες απόψεις της συμπεριφοράς της αγοράς, γεγονός που μπορεί να περιορίσει την αποτελεσματικότητά τους στην αποτύπωση των πολυπλοκοτήτων των πραγματικών χρηματοοικονομικών αγορών. Ωστόσο, οι πρόσφατες εξελίξεις στη Μηχανική Μάθηση έχουν εισαγάγει τη δυνατότητα ανίχνευσης και μοντελοποίησης σύνθετων, μη γραμμικών σχέσεων μεταξύ πολλαπλών παραγόντων, προσφέροντας μια σημαντική ευκαιρία για τη βελτίωση και την αναβάθμιση των επενδυτικών στρατηγικών. Αυτή η μελέτη διερευνά πώς αυτές οι προηγμένες υπολογιστικές τεχνικές μπορούν να ενισχύσουν την απόδοση και την ακρίβεια της επενδυτικής στρατηγικής με βάση τους παράγοντες, αποκαλύπτοντας κρυμμένα πρότυπα, βελτιστοποιώντας τις επενδυτικές αποφάσεις και τελικά βελτιώνοντας τη διαδικασία διαχείρισης χαρτοφυλακίου. Η εμπειρική ανάλυση που διεξάγεται σε αυτή την έρευνα αξιολογεί ένα ολοκληρωμένο σύνολο 480 χρηματοοικονομικών μεταβλητών ή παραγόντων, αξιολογώντας την προβλεπτική τους αποτελεσματικότητα και την εξηγητική τους δύναμη στην πρόβλεψη των αποδόσεων των μετοχών. Αυτοί οι παράγοντες προέρχονται από ένα ευρύ φάσμα χρηματοοικονομικών και αγοραίων δεδομένων, με έντονη εστίαση στους δείκτες απόδοσης των εταιρειών, οι οποίοι περιλαμβάνουν δείκτες όπως η κερδοφορία, οι ρυθμοί ανάπτυξης και οι παράγοντες κινδύνου. Η μελέτη εξετάζει συγκεκριμένα τις δημόσια διαπραγματευόμενες εταιρείες του δείκτη S&P 500, παρέχοντας ένα ισχυρό δείγμα εταιρειών που αντιπροσωπεύουν ένα ευρύ φάσμα βιομηχανιών, επιχειρηματικών κύκλων και προφίλ κινδύνου. Η έρευνα καλύπτει μια σημαντική χρονική περίοδο, από τον Ιανουάριο του 2002 έως τον Δεκέμβριο του 2023, καλύπτοντας πολλαπλούς οικονομικούς κύκλους, όπως περιόδους οικονομικής ανάπτυξης, χρηματοοικονομικές κρίσεις και ανακάμψεις της αγοράς. Αυτό το εκτεταμένο χρονικό πλαίσιο προσφέρει μια ολοκληρωμένη προοπτική για το πώς εξελίσσονται οι δυναμικές της αγοράς υπό διαφορετικές συνθήκες, εμπλουτίζοντας την ανάλυση του πώς διάφοροι παράγοντες επηρεάζουν τις αποδόσεις των μετοχών με την πάροδο του χρόνου. Τα ευρήματα αυτής της μελέτης παρέχουν πολύτιμες πληροφορίες για την προβλεπτική δύναμη των μεμονωμένων χρηματοοικονομικών μεταβλητών, καθώς και για τις σύνθετες αλληλεπιδράσεις μεταξύ αυτών των μεταβλητών και της απόδοσης της χρηματιστηριακής αγοράς. Μια βασική συμβολή αυτής της έρευνας είναι η ενσωμάτωση προηγμένων μοντέλων μηχανικής μάθησης στο πλαίσιο της επενδυτικής στρατηγικής με βάση τους παράγοντες, η οποία καταδεικνύει τα οφέλη της αξιοποίησης των πιο σύγχρονων τεχνολογιών για τη βελτίωση και την αναβάθμιση των επενδυτικών στρατηγικών. Η μελέτη χρησιμοποιεί μια ποικιλία αλγορίθμων επιβλεπόμενης μάθησης, συμπεριλαμβανομένων των Γραμμικών Παλινδρομήσεων (Linear Regression), του μοντέλου Τυχαίου Δάσους (Random Forest), του μοντέλου Ενίσχυσης Κλίσης (Gradient Boosting), του μοντέλου Προσαρμοστικής Ενίσχυσης (AdaBoost), του μοντέλου Κ-Πλησιέστερων Γειτόνων (KNN), του μοντέλου Μηχανών Υποστήριξης Διανυσμάτων (SVMs), του μοντέλου Ενίσχυσης Βασισμένη σε Ιστογράμματα (HBB), και του μοντέλου Ενίσχυσης Ακραίας Κλίσης (XGBoost), με την εφαρμογή ρύθμισης υπερπαραμέτρων και 5-πτυχιακής διασταυρούμενης επικύρωσης, για τη βελτιστοποίηση των μοντέλων και την αξιολόγηση της ακρίβειας και της ανθεκτικότητάς τους στην πρόβλεψη των μελλοντικών αποδόσεων των μετοχών. Αυτή η επαναληπτική διαδικασία περιλαμβάνει τη βελτίωση των μοντέλων μέσω διαφόρων προσαρμογών για να διασφαλιστεί ότι γενικεύονται καλά σε νέα, αόρατα δεδομένα, αποτρέποντας την υπερπροσαρμογή στις παρελθούσες τάσεις της αγοράς και ενισχύοντας την προβλεπτική τους αξιοπιστία. Επιπλέον, η ανάλυση τονίζει τον μετασχηματιστικό αντίκτυπο που μπορούν να έχουν οι τεχνολογίες μηχανικής μάθησης στη λήψη επενδυτικών αποφάσεων, προσφέροντας μια προσέγγιση βασισμένη στα δεδομένα που έχει τη δυνατότητα να υπερβεί τα παραδοσιακά χρηματοοικονομικά μοντέλα. Τα αποτελέσματα υπογραμμίζουν τη σημασία της υιοθέτησης νέων τεχνολογιών στο εξελισσόμενο τοπίο των χρηματοοικονομικών, υποδεικνύοντας ότι η μηχανική μάθηση έχει τη δυνατότητα να επαναστατικοποιήσει την επενδυτική στρατηγική με βάση τους παράγοντες, βελτιώνοντας την προβλεπτική ακρίβεια και δημιουργώντας εφαρμόσιμες πληροφορίες που μπορούν να καθοδηγήσουν πιο ενημερωμένες επενδυτικές αποφάσεις. Συμπερασματικά, αυτή η διατριβή αναδεικνύει τη σύγκλιση της χρηματοοικονομικής βασισμένης στα δεδομένα και της μηχανικής μάθησης, παρουσιάζοντας νέες ευκαιρίες για την ενίσχυση των επενδυτικών στρατηγικών, την αναγνώριση κερδοφόρων παραγόντων και την πραγματοποίηση πιο ακριβών προβλέψεων για τις αποδόσεις των μετοχών. Τα ευρήματα όχι μόνο προσφέρουν πολύτιμες πληροφορίες για τις πρακτικές εφαρμογές της μηχανικής μάθησης στα χρηματοοικονομικά, αλλά επίσης παρέχουν μια βάση για μελλοντική έρευνα σε αυτόν τον ταχέως εξελισσόμενο και υποσχόμενο τομέα.