Η παρούσα πτυχιακή εργασία έχει ως στόχο να μελετηθεί η συνεισφορά του κλάδου της μηχανικής μάθησης στο χρηματοοικονομικό τομέα και συγκεκριμένα στην κατασκευή χαρτοφυλακίου. Η εργασία αποτελείται από πέντε κεφάλαια. Στο πρώτο κεφάλαιο, που αποτελεί και την εισαγωγή της εργασίας, γίνεται αναφορά και δίνονται οι ορισμοί και αναλύεται η έννοια του χαρτοφυλακίου. Στο δεύτερο κεφάλαιο αναφέρεται η θεωρία διαχείρισης του χαρτοφυλακίου. Πιο συγκεκριμένα παρουσιάζονται η διαδικασία διαχείρισης χαρτοφυλακίου, οι σημαντικότερες θεωρίες διαχείρισης που έχουν αναπτυχθεί, οι οποίες είναι : το υπόδειγμα του Markowitz, το υπόδειγμα του ενός δείκτη Sharpe και το Υπόδειγμα Αποτίμησης Κεφαλαιουχικών Περιουσιακών Στοιχείων - CAPM. Επίσης αναφέρονται τα γνωστότερα μέτρα απόδοσης χαρτοφυλακίου των Treynor, Sharpe και το alpha του Jensen. Στο τρίτο κεφάλαιο παρουσιάζονται οι κίνδυνοι που μπορούνε να επηρεάσουν την κατασκευή του χαρτοφυλακίου. Στο τέταρτο κεφάλαιο γίνετε μια εισαγωγή στο τομέα της μηχανικής μάθησης και παρουσιάζονται τα κυριότερα μοντέλα μηχανικής μάθησης που χρησιμοποιούνται στο τομέα της πρόβλεψης χρηματοοικονομικών δεδομένων, τα οποία είναι τα Νευρωνικά δίκτυα (Neural network),οι Μηχανές ∆ιανυσµάτων Υποστήριξης (Support Vector Machines - SVM) και τα Δέντρα Αποφάσεων (Decision Trees). Αυτά δεν αποτελούν τα μοναδικά μοντέλα μηχανικής μάθησης, αλλά είναι τα κυριότερα και είναι αυτά που έχουν αποτελέσει τη βάση για την ανάπτυξη πιο σύνθετων μοντέλων. Η εργασία κλείνει με το πέμπτο κεφάλαιο, το οποίο αποτελεί μια σύνοψη των όσων έχουν αναλυθεί, όμως εκφράζεται και μια ανησυχία για το αν οι έλεγχοι που πραγματοποιούνται από τους εποπτικούς φορείς είναι ενήμεροι και συμβαδίζουν με την πρόοδο της τεχνολογικής εξέλιξης και της χρήσης της στο τομέα των χρηματοοικονομικών.
The aim of this bachelor thesis is to study the contribution of the machine learning sector in the financial sector and specifically in the construction of a portfolio. The work consists of five chapters. In the first chapter, which is the introduction of the study, reference is made and the definitions are given and the meaning of the portfolio is analyzed. The second chapter deals with portfolio management theory. More specifically, the portfolio management process is presented, the most important management theories that have been developed, which are: the Markowitz model, the Sharpe index model and the Capital Asset Valuation Model - CAPM. Also mentioned are the best portfolio performance measures of Treynor, Sharpe and Jensen alpha. The third chapter presents the risks that may affect the construction of the portfolio. The fourth chapter introduces the field of machine learning and presents the main models of machine learning used in the field of financial data forecasting, which are the Neural networks, Support Vector Machines (SVM) and Decision Trees. These are not the only machine learning models, but they are the main ones and they are the ones that have formed the basis for the development of more complex models. The work closes with the fifth chapter, which is a summary of what has been analyzed, but there is also concern about whether the audits carried out by the supervisors are aware of and in line with the progress of technological development and its use in the field of finance.