Machine learning-based return forecasting in mean-variance portfolio construction

Abstract

This thesis investigates whether machine learning-based return forecast contain meaningful information from economically perspective, when employed within a portfolio optimization framework. The process adopts a fully multivariate setting, jointly model the return dynamics of ten most traded U.S. assets over the period 2018-2025. The forecasting layer includes reservoir computing architectures (Echo State Networks) and deep residual neural networks, allowing a comparison between lightweight and complex nonlinear models. The predicted returns are used as inputs in a rolling Markowitz optimization scheme and evaluated against standard benchmarks, including the optimization- based Minimum-Variance portfolio, as well as simple heuristic allocation rules (Equal-Weight and Inverse-Volatility) serving as practical reference strategies. Both predictive accuracy and economic performance are assessed in empirical analysis, focusing on allocation patterns and risk-adjusted returns under realistic constraints. The results indicate that ML-driven forecasts can provide meaningful improvements in portfolio allocation efficiency. Notably, lightweight reservoir computing models demonstrate robust and stable behavior despite the noisy financial data environment and limited predictability of asset returns. More complex architecture offers limited but not consistently dominant improvements. Overall, the findings suggest that the economic value of machine learning in portfolio management depends less on architectural complexity and more on the forecasting signals into risk-aware optimization frameworks.Στην παρούσα διπλωματική εργασία διερευνάται κατά πόσο οι προβλέψεις αποδόσεων, που βασίζονται σε μεθόδους μηχανικής μάθησης περιέχουν οικονομική πληροφορία που μπορεί να αξιοποιηθεί σε ένα πλαίσιο βελτιστοποίησης χαρτοφυλακίου. Η μοντελοποίηση είναι πολυμεταβλητή, καθώς εξετάζονται ταυτόχρονα οι δυναμικές αποδόσεων δέκα ιδιαίτερα διαπραγματεύσιμων περιουσιακών στοιχείων της αμερικανικής αγοράς για την περίοδο 2018-2025. Το στάδιο της πρόβλεψης περιλαμβάνει αρχιτεκτονικές reservoir computing (Echo State Networks) καθώς και βαθιά νευρωνικά δίκτυα τύπου Residual Networks, επιτρέποντας τη σύγκριση μεταξύ ελαφρύτερων και πιο σύνθετων μη γραμμικών μοντέλων. Οι παραγόμενες αποδόσεις, ενσωματώνονται σε ένα κυλιόμενο πρόβλημα βελτιστοποίησης χαρτοφυλακίου κατά Markowitz και αξιολογούνται σε σύγκριση με εναλλακτικές επενδυτικές στρατηγικές, με άμεσα συγκρίσιμο το χαρτοφυλάκιο ελάχιστης διακύμανσης (Minimum-Variance), ενώ ενσωματώνονται και επενδυτικοί κανόνες, όπως Equal-Weight και Inverse- Volatility, ως απλά σημεία αναφοράς. Η εμπειρική ανάλυση εξετάζει τόσο την προβλεπτική ικανότητα όσο και την οικονομική απόδοση, δίνοντας έμφαση στον τρόπο κατανομής των κεφαλαίων και στις αποδόσεις σε σχέση με τον κίνδυνο υπό ρεαλιστικούς περιορισμούς. Τα αποτελέσματα δείχνουν ότι οι προβλέψεις μηχανικής μάθησης μπορούν να βελτιώσουν την αποδοτικότητα κατανομής του χαρτοφυλακίου. Ιδιαίτερα, τα μοντέλα reservoir computing εμφανίζουν σταθερή και ανθεκτική συμπεριφορά παρά τον έντονο θόρυβο και τη χαμηλή προβλεψιμότητα που χαρακτηρίζουν τις χρηματοοικονομικές χρονοσειρές. Τα πιο σύνθετα βαθιά μοντέλα προσφέρουν περιορισμένες και όχι συστηματικά βελτιώσεις σε σύγκριση με τα ελαφρύτερα μοντέλα. Συνολικά, τα ευρήματα υποδηλώνουν ότι η αξιοποίηση μεθόδων μηχανικής μάθησης στη διαχείριση χαρτοφυλακίου εξαρτάται λιγότερο από την πολυπλοκότητα της αρχιτεκτονικής και περισσότερο από τον τρόπο ενσωμάτωσης της πληροφορίας και των προβλεπτικών σημάτων σε ένα πλαίσιο βελτιστοποίησης.