'Σύνθεση τίτλων και βελτιστοποίηση χαρτοφυλακίου με μεθόδους Υπολογιστικής Νοημοσύνης’

'Stock compound and portfolio optimization with Computational Intelligence' (Αγγλική)

  1. Bachelor’s thesis
  2. ΔΗΜΑΡΑ, ΑΣΗΜΙΝΑ
  3. Πληροφορική (ΠΛΗ)
  4. 31 Ιουλίου 2017 [2017-07-31]
  5. Ελληνικά
  6. 210
  7. Αναγνωστόπουλος, Χρήστος-Νικόλαος
  8. Βελτιστοποίηση χαρτοφυλακίου, Γενετικοί Αλγόριθμοι, διαχείριση χαρτοφυλακίου, επιλογή μετοχών, Τεχνητά Νευρωνικά δίκτυα, Υπολογιστική νοημοσύνη. | Artificial Neural Networks, Computational Intelligence, Genetic Algorithms, Portfolio management, Portfolio optimization, stock selection.
  9. 3
  10. 12
  11. 58
  12. εικόνες
    • Στην οικονομική αρένα η άνθιση της τεχνολογίας και των επικοινωνιών είχε ως αποτέλεσμα την έγκαιρη και αποτελεσματική ενημέρωση των πολιτών, καθώς και τη δυνατότητα διατήρησης παρελθοντικών οικονομικών δεδομένων. Η πληθώρα της ενημέρωσης εμφύσησε σε πολλούς την επιθυμία να επενδύσουν στο χρηματιστήριο. Ωστόσο, λόγω της έλλειψης γνώσεων, του καταιγισμού των πληροφοριών, που συχνά αδυνατούσαν να ερμηνεύσουν, καθώς και της άγνοιας του κινδύνου, αλλά και πολλών άλλων παραγόντων, το παραπάνω εγχείρημα κατέληξε σε παταγώδη αποτυχία. Παρόλα αυτά, το χρηματιστήριο συνεχίζει να αποτελεί πόλο έλξης για πολλούς, που επιθυμώντας το κέρδος κυνηγούν την απόκτηση ενός αποδοτικού χαρτοφυλακίου. Η διαχείριση χαρτοφυλακίου είναι ένα από τα «δημοφιλέστερα» προβλήματα της χρηματοοικονομικής• με τις δυνατότητες, όμως, που παρέχει σήμερα η πληροφορική, δημιουργήθηκαν πολλά εργαλεία για την επίλυσή του. Πολλά από τα εργαλεία αυτά βασίζονται σε συγκεκριμένη μέθοδο, άλλα επιλύουν συγκεκριμένο στάδιο της διαχείρισης και άλλα είναι δύσχρηστα. Σκοπός της εργασίας είναι να προτείνει μια νέα καθολική λύση, για την επίλυση του προβλήματος της διαχείρισης του χαρτοφυλακίου, εύκολη στη χρήση και κατανοητή. Κατά το πρώτο στάδιο σύνθεσης τίτλων, ο επενδυτής επιλέγει τις μετοχές που θα αποτελέσουν το χαρτοφυλάκιο του και υλοποιείται με ένα νέο μοντέλο με Γενετικούς Αλγορίθμους (ΓΑ), το οποίο εκμεταλλεύεται τα δημοσιευμένα δεδομένα και την προσωπική εκτίμηση του επενδυτή. Στο δεύτερο στάδιο δημιουργούνται Τεχνητά νευρωνικά δίκτυα (ΤΝΔ) για καθεμία από τις επιλεγμένες μετοχές και προβλέπονται οι τιμές των μετοχών. Στο τρίτο και τελευταίο στάδιο, βασιζόμενοι στις προβλεπόμενες τιμές, υπολογίζεται η απόδοση του χαρτοφυλακίου και βελτιστοποιείται το χαρτοφυλάκιο με Γενετικούς Αλγορίθμους. Τέλος, εκτελείται μια πλήρης πειραματική διαδικασία, κατά την οποία αρχικά επιλέγεται ένα χαρτοφυλάκιο από το δείκτη FTSE 100 του χρηματιστηρίου του Λονδίνου, μεγέθους 15. Στη συνέχεια, και αφού συλλεχθούν τα παρελθοντικά δεδομένα όλων των μετοχών του χαρτοφυλακίου, κατασκευάζεται ένα ΤΝΔ για κάθε μετοχή και προβλέπονται οι τιμές των μετοχών για ένα μήνα. Αφού βελτιστοποιηθούν τα ποσοστά συμμετοχής των μετοχών με ΓΑ, παρακολουθείται η απόδοση του χαρτοφυλακίου για ένα μήνα και ελέγχεται κατά πόσο η ρευστοποίησή του έχει κέρδος.
    • Individuals seem to be energetic participants in the investment process at the modern society. Starting a new business is not always feasible due to the astronomical capital which one should afford and the big risk he should tolerate. As a result, many are looking for a way in which profit is adequate without a considerable risk and there is no need for a colossal capital to begin with. Investors turn to Exchange Markets and try to built the optimal stock portfolio to gain profit. Even though investing in stocks is really alluring, the stock portfolio selection process is laborious as it is a multi criteria problem. A well -maintained portfolio is vital to any investor's success especially nowadays that information is sometimes more confusing than explanatory. The investment process is divided into three basic stages: Stock selection, Portfolio construction and Implementation. We suggest a new full-scale model to support the portfolio management during all three stages. Plenty of models and methods are recommended for stock selection problem but none of them is graspable, flexible and easily attuned to the investors needs. A Genetic Algorithm is recommended for stock Selection problem based mostly on published data and investors expectations. Genetic Algorithms can absorb all the information and are easily altered if needed. A model should not only be judged by its performance but also by its ability to be easygoing and adaptable. For illustration of the model FTSE100 from London Exchange market is used. After stock selection is made, an Artificial Neural Network (ANN) is created for each stock to predict stock value. Based on predicted values we estimate the predicted portfolio return. In addition using Genetic Algorithms the portfolio is optimized and we seek the proper time to redeem stocks. Finally, we assess our methodology using monthly-real- values. The results point out that the proposed model is effective and produces a profitable portfolio.
  14. Hellenic Open University
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.