Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέποντα "Papayiannis, Georgios"

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
    Statistical learning approaches and applications in portfolio selection
    (2024-09-30) Παπασπύρου, Δημήτριος-Σταύρος; Papaspyrou, Dimitrios-Stavros; Athens University of Economics and Business, Department of Statistics; Yannacopoulos, Athanasios; Zimpidis, Alexandros; Papayiannis, Georgios
    Η παρούσα μελέτη συνδυάζει βασικές και ενημερωμένες θεωρίες από τη Μηχανική Μάθηση και την επιλογή χαρτοφυλακίου, προκειμένου να εξετάσει την εφαρμογή τεχνικών ομαδοποίησης σε χρηματοοικονομικά δεδομένα. Υλοποιούμε τρεις προσεγγίσεις στατιστικής μάθησης K-means, Gaussian mixture models and Spectral clustering σε ένα σύνολο δεδομένων που αποτελείται από τις 50 κορυφαίες εταιρείες του δείκτη S&P 500 για μία περίοδο έξι ετών (2014-2019). Τα διαχειριζόμαστε σε ένα στατικό πλαίσιο δεδομένων και, για το λόγο αυτό, εξετάζουμε το έργο αυτό βάσει τεσσάρων στατιστικών χαρακτηριστικών που εξήχθησαν: τη μέση απόδοση, την μεταβλητότητα, τον δείκτη ασυμμετρίας και την κυρτότητα. Προτείνουμε μία εναλλακτική μέθοδο για την τυπική προσέγγιση του Markowitz στην επιλογή χαρτοφυλακίου. Η προτεινόμενη μέθοδος συνδυάζει αποτελεσματικές τεχνικές ομαδοποίησης για τον διαχωρισμό των δεδομένων σε ομοιογενείς ομάδες και το τυπικό μοντέλο Markowitz εντός και μεταξύ των ομάδων. Κατασκευάζουμε βέλτιστα χαρτοφυλάκια βασισμένα στο τυπικό μοντέλο Markowitz για τα μη ομαδοποιημένα δεδομένα και στο two-step Markowitz για τα δεδομένα με βάση την ομαδοποίηση. Η απόδοση των χαρτοφυλακίων αξιολογείται μέσω κατάλληλων μέτρων κινδύνου και απόδοσης, όπως η Αξία σε Κίνδυνο (VaR) και ο Δείκτης Sharpe. Μέσα από το αριθμητικό πείραμα, φαίνεται ότι ακολουθώντας αυτήν τη στρατηγική μπορούμε να κατασκευάσουμε χαρτοφυλάκια που υπερέχουν του τυπικού χαρτοφυλακίου Markowitz.