Portfolio Optimization and recent approaches using Artificial Intelligence and Machine Learning techniques

Βελτιστοποίηση χαρτοφυλακίου και πρόσφατες προσεγγίσεις με τη χρήση Tεχνητής Νοημοσύνης και Μηχανικής Μάθησης (Αγγλική)

  1. MSc thesis
  2. ALEXIOU, ANTONIOS
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 12 Μαίου 2019 [2019-05-12]
  5. Αγγλικά
  6. 75
  7. PAPADAKI, AFRODITI
  8. BEKIARIS, MICHAIL
  9. artificial-intelligence | portfolio | stock | machine-learning
  10. 3
  11. 31
  12. List of Figures Figure 2.1 An example of a securities’ portfolio ................................................................. 5 Figure 2.2 Portfolio management process ............................................................................ 6 Figure 3.1 Indifference curve ............................................................................................... 9 Figure 3.2 Attainable assets ............................................................................................... 11 Figure 3.3 Representation of 3 attainable sets .................................................................... 12 Figure 3.4 Two examples of CML and the OPRA for a specific r..................................... 14 Figure 3.5 Characteristic line example ............................................................................... 16 Figure 3.6 Risk versus diversification ................................................................................ 19 Figure 3.7 Security Market Line ........................................................................................ 20 Figure 4.1 Machine Learning types .................................................................................... 30 Figure 4.2 The architecture of a neural network ................................................................ 33 Figure 5.1 The 23 tickers used in the model ...................................................................... 43 Figure 5.2 Performance for different duration with ML Logistic Regression Algorithm .. 45 Figure 5.3 Metrics for different λ ....................................................................................... 47 Figure 6.1 Q Network with reward R ................................................................................. 49 Figure 6.2 DDPG diagram ................................................................................................. 51 Figure 6.3 Block of Deep Residual network ...................................................................... 55 Figure 6.4 DDPG Network architecture ............................................................................. 55 Figure 6.5 Hyper parameters regarding the experiments ................................................... 56 Figure 6.6 Comparison of reward R with different feature sets. ........................................ 57 Figure 6.7 Comparison of portfolio Value before and after DDPG training. .................... 58 Figure 6.8 Comparison of portfolio Value before and after PG training. .......................... 59 Figure 6.9 Comparison of portfolio Value with and without adversarial learning. ........... 60 Figure 7.1 Speech recognition system ................................................................................ 61Figure 8.1 SVM classifier results. ...................................................................................... 66 Figure 8.2 Predicted versus actual results. ......................................................................... 67 Figure 8.3 boundaries of classes with SVM ....................................................................... 67 Figure 8.4 Classification of unknown assets A61,A62 ...................................................... 69 Figure 8.5 Comparison of 4 models tested. ........................................................................ 70 List of Tables Table 8.1 The results of the SVM classifier ....................................................................... 69
  13. Vasiliou, D. (2005). Financial Management and Accounting Investment Analysis and Portfolio Management (Vol. 3). HELLENIC OPEN UNIVERSITY
    • Το πρόβλημα βελτιστοποίησης του χαρτοφυλακίου επισφαλειών είναι ένας πολύ σημαντικός τομέας έρευνας. Το υπό εξέταση ζήτημα, είναι η επένδυση μέσω της διάθεσης μετοχών ή άλλων τίτλων, σε ένα υποσύνολο από διαθέσιμες επισφάλειες μεγιστοποιώντας την απόδοση του χαρτοφυλακίου. Ο επενδυτής στοχεύει πάντοτε σε ένα μέγιστο ποσοστό απόδοσης που εξασφαλίζει βέβαια τον μικρότερο δυνατό κίνδυνο ή τουλάχιστον, έναν κίνδυνο τον οποίο ο επενδυτής μπορεί να δεχτεί και να επιλέξει σχετικά με την επικείμενη επένδυση. Τούτο αποτελεί ακρογωνιαία λίθο για την διαδικασία επένδυσης και μπορεί να χαρακτηριστεί ως πρόβλημα λήψης αποφάσεων. Τα τελευταία 70 χρόνια, οι επιστήμονες έχουν σημειώσει αξιοσημείωτη πρόοδο με τον H. Markowitz να είναι ο πρωτοπόρος. Το μοντέλο της μέσης διακύμανσης συνδέει τη συνολική μεταβλητότητα ενός διαφοροποιημένου χαρτοφυλακίου, με το αναμενόμενο ποσοστό απόδοσης. Μετά την πρόταση του Markowitz που έλαβε βραβείο Νόμπελ μετέπειτα, μελετήθηκαν αρκετές εναλλακτικές λύσεις στο πέρασμα του χρόνου. Έχουν υπάρξει μαθηματικές και στατιστικές προσεγγίσεις για την περαιτέρω συμβολή στην καθιέρωση του ζητήματος της βελτιστοποίησης του χαρτοφυλακίου ως επιστημονικού πεδίου. Τα μαθηματικά αποτελούσαν πάντοτε τη βάση οποιασδήποτε σχετικής έρευνας. Ωστόσο, κατά την τελευταία δεκαετία, πραγματοποιήθηκε τεράστια πρόοδος στην λεγόμενη ισχύ των μηχανών ή αλλιώς στην υπολογιστική ισχύ, και αυτό έδωσε τη δυνατότητα στις τεχνικές Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης να εφαρμοστούν σε μεγάλη κλίμακα για σύνολα δεδομένων, με εκπληκτικά αποτελέσματα. Είναι γνωστό ότι τα ιστορικά δεδομένα των χρηματιστηριακών αγορών συνωστίζονται σε διακομιστές παγκοσμίως. Τα δεδομένα είναι το καύσιμο για τις τεχνικές μάθησης μηχανών. Σε αυτή τη διατριβή, συζητούμε τις τεχνικές βελτιστοποίησης του χαρτοφυλακίου που εφαρμόστηκαν μέχρι τώρα και το μαθηματικό τους υπόβαθρο. Μελετώνται η τεχνητή νοημοσύνη και η μηχανική μάθηση ως ένα πεδίο έντονης τάσης στην σύγχρονη επιστήμη της πληροφορικής. Παρουσιάζεται ο συνδυασμός κλασικών μοντέλων και τεχνητής νοημοσύνης με τη χρήση πρόσφατων επιστημονικών παραδειγμάτων. Τέλος, παρουσιάζεται μια εφαρμογή κατηγοριοποιητή(classifier).
    • Portfolio optimization constitutes a rather important sector for research. The issue under question is investment via allocation of stocks or other securities among all available assets with the target of return maximization. The investor always aims at a maximum rate of return re-assuring the lowest possible risk; or, at least, the risk that an investor can afford and might select regarding the investment. This defines, theoretically, the investment procedure and could be classified as a decision-making problem. During the last 70 years, scientists have made remarkable progress with H. Markowitz being the pioneer. His mean-variance model associates overall volatility of a diversified portfolio with the expected rate of return. After Markowitz’ Nobel-winning proposal, quite a lot of alternatives were studied over the years. Possibilistic and statistical approaches have been imposed, to further assist on the establishment of portfolio optimization as a separate scientific field. Mathematics has always been the basis of any relative research. However, during the last decade, an immense progress in computing power was held and this posed the possibility that Artificial Intelligence and Machine Learning techniques can be applied in a tremendous scale for any data sets, with magnificent results. It is well-known that historical data of stock exchange markets are populating the web servers globally. Big Data is the fuel for machine learning techniques. In this thesis, we discuss portfolio optimization techniques that were applied so far, and their mathematical background. Also, artificial intelligence and machine learning is studied as a trending field in modern informatics science. The conjunction of classical models and artificial intelligence is presented with use of more than recent scientific examples. A classifier based on machinelearning is developed.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.