Βελτιστοποίηση χαρτοφυλακίου σε περιβάλλον υψηλής διαστατικότητας με τη χρήση μεθόδων συρρίκνωσης

Abstract

Η παρούσα διπλωματική εργασία εξετάζει την αποτελεσματικότητα των μεθόδων Συρρίκνωσης (Shrinkage Estimators) ως λύση στο πρόβλημα της ευαισθησίας των βέλτιστων χαρτοφυλακίων. Συγκεκριμένα, συγκρίνεται η απόδοση της παραδοσιακής Δειγματικής μεθόδου έναντι δύο εναλλακτικών προσεγγίσεων: της Γραμμικής Συρρίκνωσης (Linear Shrinkage) και της Μη-Γραμμικής Συρρίκνωσης (Non-Linear Shrinkage) των Ledoit και Wolf. Η εμπειρική ανάλυση βασίζεται σε μηνιαία δεδομένα 36 ευρωπαϊκών μετοχών υψηλής κεφαλαιοποίησης για την περίοδο 2015– 2025, καλύπτοντας ένα ευρύ φάσμα συνθηκών της αγοράς. Για την εμπειρική διερεύνηση της μελέτης, υιοθετήθηκε η μεθοδολογία ενός rolling window optimization, η οποία προσομοιώνει ρεαλιστικές συνθήκες διαχείρισης. Συγκεκριμένα, κατασκευάστηκε και εξετάστηκε ένα εύρος χαρτοφυλακίων με διαφορετικά χαρακτηριστικά, ενσωματώνοντας ποικίλους στόχους απόδοσης και εναλλακτικές στρατηγικές κατανομής κεφαλαίων. Η μεθοδολογία αυτή επέτρεψε τη διεξοδική ανάλυση της συμπεριφοράς των υπό εξέταση μοντέλων, καθώς και τη συγκριτική αξιολόγηση της αποτελεσματικότητάς τους σε διαφορετικά σενάρια αγοράς.This thesis examines the effectiveness of Shrinkage Estimators as a solution to the sensitivity problem of optimal portfolios. Specifically, the performance of the traditional Sample method is compared against two alternative approaches: Linear Shrinkage and Non-Linear Shrinkage by Ledoit and Wolf. The empirical analysis is based on monthly data from 36 European large-cap stocks for the period 2015–2025, covering a wide range of market conditions. For the empirical investigation of this study, a rolling window optimization framework was adopted to approximate realistic investment management conditions. Specifically, a diverse range of portfolios was constructed and evaluated, incorporating distinct performance objectives and alternative asset allocation strategies. This methodology facilitated a rigorous analysis of the models’ behavior, as well as a comparative evaluation of their out-of-sample effectiveness across varying market regimes.