Στρατηγική κατανομή επενδύσεων με τεχνητή νοημοσύνη

Abstract

Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της στρατηγικής κατανομής περιουσιακών στοιχείων (Strategic Asset Allocation – SAA) υπό μεταβαλλόμενες μακροοικονομικούς δείκτες, αξιοποιώντας την τεχνητή νοημοσύνη και τη μηχανική μάθηση. Σε αντίθεση με τις κλασικές προσεγγίσεις βελτιστοποίησης χαρτοφυλακίου που υπάρχουν και βασίζονται σε στατικές εκτιμήσεις αποδόσεων και συνδιακυμάνσεων, προτείνουμε ένα καθεστώς όπου οι επενδυτικές αποφάσεις προσαρμόζονται δυναμικά στο μακροοικονομικό περιβάλλον. Για αυτό χρησιμοποιούμε μακροοικονομικά δεδομένα από τη βάση FRED. Μέσω μη επιβλεπόμενων τεχνικών μάθησης (unsupervised), εντοπίζονται διακριτά μακροοικονομικά καθεστώτα, τα οποία αντιστοιχούν σε διαφορετικές φάσεις του οικονομικού κύκλου. Τα καθεστώτα αυτά τα λαμβάνουμε υπόψιν και τα χρησιμοποιούμε ως input στο επενδυτικό σύστημα. Έπειτα αναπτύσσουμε ένα νευρωνικό δίκτυο το οποίο μαθαίνει τα βέλτιστα βάρη χαρτοφυλακίου. Το μοντέλο εκπαιδεύεται με σκοπό τη μεγιστοποίηση του δείκτη Sharpe. Η ενσωμάτωση μακροοικονομικών καθεστώτων και τεχνητής νοημοσύνης οδηγεί σε πιο σταθερή και αποδοτική κατανομή χαρτοφυλακίου, με βελτιωμένη απόδοση προσαρμοσμένη στον κίνδυνο κάτι που υποστηρίζεται και από την βιβλιογραφία. Η εργασία προσθέτει στη βιβλιογραφία της SAA, αναδεικνύοντας τον ρόλο της τεχνητής νοημοσύνης ως εργαλείο δυναμικής και προσαρμοστικής επενδυτικής λήψης αποφάσεων.This research examines the problem of Strategic Asset Allocation (SAA) under varying macroeconomic indicators, leveraging artificial intelligence and machine learning. In contrast to classical portfolio optimization approaches that rely on static estimates of returns and covariances, we propose a framework in which investment decisions dynamically adapt to the macroeconomic environment. To achieve this, we use macroeconomic data from the FRED database. Through unsupervised learning techniques, we identify distinct macroeconomic regimes that correspond to different phases of the economic cycle. These regimes are incorporated and used as inputs to the investment system. We then develop a neural network that learns the optimal portfolio weights. The model is trained with the objective of maximizing the Sharpe ratio. The integration of macroeconomic regimes and artificial intelligence leads to a more stable and efficient portfolio allocation, with improved risk‑adjusted performance, a finding that is also supported by the literature. This work contributes to the SAA literature by highlighting the role of artificial intelligence as a tool for dynamic and adaptive investment decision‑making.