Κατάλογος Εικόνων / Σχημάτων
Σχήμα 1 Οι τρεις Μορφές της Υπόθεσης της Αποτελεσματικής Αγοράς 9
Σχήμα 2 Πρότυπο Λειτουργίας Reinforcement Learning 16
Σχήμα 3 Διαδικασία Εκτέλεσης Q-Learner 18
Σχήμα 4 Τιμή του ETF SPY για το χρονικό διάστημα 2008-2009 22
Σχήμα 5 Τιμή του ETF SPY για το χρονικό διάστημα 2010-2011 22
Σχήμα 6 Τιμή της JPM για το χρονικό διάστημα 2008-2009 23
Σχήμα 7 Τιμή της JPM για το χρονικό διάστημα 2010-2011 23
Σχήμα 8 Απεικόνιση Τιμών Τεχνικού Δείκτη Price/SMA για in-sample data 30
Σχήμα 9 Απεικόνιση Τιμών Μετοχής με BBands για out-of-sample data 31
Σχήμα 10 Απεικόνιση Τιμών Τεχνικού Δείκτη MFI για in-sample data 32
Σχήμα 11 Απεικόνιση Θεωρητικά Βέλτιστης Στρατηγικής vs. Κεντρικού Δείκτη 34
Σχήμα 12 Απεικόνιση Τιμών Τεχνικού Δείκτη Price/SMA Ratio για out-of-sample data 40
Σχήμα 13 Απεικόνιση Τιμής Μετοχής JPM με BBands (2009-2010) για out-of-sample data 41
Σχήμα 14 Απεικόνιση Τιμών Τεχνικού Δείκτη MFI για out-of-sample data 41
Σχήμα 15 Απεικόνιση Τιμής Μετοχής JPM για in-sample data 42
Σχήμα 16 Απεικόνιση Τιμής Μετοχής JPM με BBands για in-sample data 43
Σχήμα 17 Απεικόνιση Manual Στρατηγικής vs. Κεντρικού Δείκτη (In-Sample) 43
Σχήμα 18 Απεικόνιση Manual Στρατηγικής vs. Κεντρικού Δείκτη (Out-of-Sample) 44
Σχήμα 19 Απεικόνιση Manual Στρατηγικής vs. Κεντρικού Δείκτη (second run) 46
Σχήμα 20 Απεικόνιση Συνολικής Επιστροφής ανά τιμή αντικτύπου 48
Σχήμα 21 Απεικόνιση Συνολικού Αριθμού Συναλλαγών ανά τιμή αντικτύπου 48
Σχήμα 22 Απεικόνιση ML Στρατηγικής vs. Manual Στρατηγικής vs. Κ. Δείκτη (In-Sample) 49
Σχήμα 23 Απεικόνιση ΜL Στρατηγικής vs. Manual Στρατηγικής vs. Κ. Δείκτη (Out-of-Sample) 51
Κατάλογος Πινάκων
Πίνακας 1 Σύγκριση Βέλτιστης Στρατηγικής vs. Manual Στρατηγικής vs. SPY (In-Sample) 44
Πίνακας 2 Σύγκριση Βέλτιστης vs. Manual Στρατηγικής Trading (Out-of-Sample) 45
Πίνακας 3 Σύγκριση Manual Στρατηγικής vs. Δείκτη Αναφοράς SPY (in-sample) 46
Πίνακας 4 Σύγκριση Manual Στρατηγικής vs. Δείκτη Αναφοράς SPY (out-of-sample) 46
Πίνακας 5 Σύγκριση RL Στρατηγικής vs. Manual Στρατηγικής vs. Δείκτη Αναφοράς 49
Πίνακας 6 Σύγκριση Αυτοματοποιημένης Στρατηγικής Trading vs. Manual Στρατηγικής 50
Πίνακας 7 Σύγκριση RL Trading Στρατηγικής vs. Δείκτης Αναφοράς 50
Η τεχνητή νοημοσύνη (AI), και πιο συγκεκριμένα ένα κομμάτι της που ονομάζεται «μηχανική μάθηση», αποτελούν ένα από τα πιο σημαντικά και αμφιλεγόμενα θέματα της τελευταίας δεκαετίας. Ουκ ολίγες φορές τα ΜΜΕ έχουν δαιμονοποιήσει την χρήση αυτών των τεχνολογιών σε τομείς όπως η οικονομία, ο στρατός, ο τομέας υγείας, και ο δημόσιος τομέας. Σε αυτή την διπλωματική, διαπραγματευόμαστε το θέμα της παραγωγής άλφα ή όπως είναι απλά γνωστό υπερβολικών αποδόσεων, μέσω της χρήσης μηχανικής μάθησης και τεχνικής ανάλυσης. Συγκεκριμένα, χτίζουμε από την αρχή μια σειρά τεχνικών δεικτών που θα χρησιμοποιήσουμε προκειμένου να δημιουργήσουμε ένα μοντέλο μηχανικής μάθησης που θα μπορεί να λαμβάνει ιστορικά δεδομένα για τις τιμές των μετοχών, και να προβλέπει την τιμή τους σε μέλλοντα χρόνο, με την μεγαλύτερη δυνατή ακρίβεια και τον λιγότερο δυνατό κίνδυνο. Το μοντέλο μας βασίζεται σε ρεαλιστικά σενάρια χρηματοοικονομικών συναλλαγών, καθώς παράγοντες όπως οι προμήθειες και οι χρεώσεις ανά συναλλαγή λαμβάνονται υπόψιν κατά την διαδικασία πραγματοποίησης των αυτοματοποιημένων χρηματοοικονομικών συναλλαγών. Για τον σκοπό της έρευνάς μας, θα θεωρήσουμε ένα απλό χαρτοφυλάκιο που αποτελείται από μία μετοχή και ένα αρχικό κεφάλαιο ίσο με $200.000. Τα τελικά αποτελέσματα δείχνουν ότι η παραγωγή άλφα είναι πράγματι δυνατή με τον κατάλληλο συνδυασμό μηχανικής μάθησης και τεχνικής ανάλυσης. Επίσης, η ανάλυσή μας δείχνει ότι τα αυτοματοποιημένα αλγοριθμικά μοντέλα που χρησιμοποιούν ένα κομμάτι της μηχανικής μάθησης που ονομάζεται ενισχυμένη μάθηση (Reinforcement Learning), έχουν την ικανότητα να παράγουν καλύτερες αποδόσεις σε νέα δεδομένα απ’ ότι τα παραδοσιακά αλγοριθμικά συστήματα που βασίζονται αποκλειστικά σε τεχνικούς δείκτες. Συνολικά, αυτή η μελέτη αποτελεί μια σημαντική συνεισφορά στην βιβλιογραφία των αυτοματοποιημένων συστημάτων συναλλαγών, καθώς αναλύει σε βάθος μία από τις πιο σύγχρονες και πολύπλοκες τεχνολογίες που χρησιμοποιείται αυτή την στιγμή από τα πιο σύγχρονα και μεγαλύτερα hedge funds στον κόσμο.
Artificial intelligence (AI), and in particular a part of it called machine learning, is one of the most important and controversial topics of the last decade. It is not uncommon for the media to demonize the use of these technologies in areas such as the economy, the military, the health sector and the public sector. In this paper, we discuss the issue of alpha generation or as it is simply known excessive returns, through the use of machine learning and technical analysis. Specifically, we build a series of technical indicators from the beginning, which we will use to create a machine learning model that can take historical price data for various stocks, and predict their future price with the greatest possible accuracy and the least possible risk. Our model is based on realistic trading scenarios, as factors such as commissions and charges per transaction are taken into account during the process of automated financial transactions. For the purpose of our research, we will consider a simple portfolio consisting of one stock and a starting capital of $200.000. Our final results show that alpha generation is indeed possible with the right combination of machine learning and technical analysis. Also, further analysis shows that automated algorithmic trading models that use a part of machine learning called Reinforcement Learning (RL), have the ability to produce better returns on new data than the traditional algorithmic trading systems relying only on technical indicators. Overall, this study provides a significant contribution to the literature of automated trading systems, as it offers an in-depth analysis of one of the most modern and complex technologies currently used by the biggest and most sophisticated hedge funds in the world.
ΠΑΡΑΓΩΓΗ ΑΛΦΑ ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ ΚΑΙ ΤΕΧΝΙΚΗ ΑΝΑΛΥΣΗ