This dissertation presents an open-source, end-to-end investment pipeline that converts freely available corporate fundamentals and market data into investable stock portfolios for retail investors. The process begins with the extraction of standardized financial ratios for the constituents of a broad US equity index. A supervised machine-learning model trained on these metrics generates a transparent ranking that identifies companies with superior fundamental characteristics, while a sentiment overlay derived from public news refines the list to reflect recent qualitative signals without relying on proprietary feeds.

The highest-ranked stocks feed a comprehensive portfolio-construction engine that offers multiple categories of allocation techniques—return-seeking, risk-balanced, diversification-oriented, downside-aware, and adaptive approaches. Each category is implemented with fully open libraries and minimal configuration so that investors with modest coding skills can reproduce or customize strategies to match their objectives and risk profiles.

Performance is validated through a rigorous back-testing and forecasting framework, benchmarked against a passive S&P 500 index. The evaluation combines traditional return–risk measures with advanced tail-risk indicators and is enhanced by dynamic visual diagnostics to support interpretability. Forward-looking simulations extend the analysis by examining the dispersion and downside risk of projected portfolio outcomes. Several allocation strategies demonstrate superior risk-adjusted performance and greater drawdown stability relative to the benchmark—achieved entirely without reliance on commercial data, proprietary software, or high-frequency infrastructure.

By combining interpretable machine learning, light-weight sentiment adjustment, and a diverse suite of portfolio algorithms in a fully reproducible environment, the study demonstrates that individual investors can deploy transparent, evidence-based strategies that compete credibly with conventional passive exposure while retaining complete control over their data and workflows.

Η παρούσα μεταπτυχιακή διατριβή παρουσιάζει μία ανοικτού κώδικα επενδυτική προσέγγιση, η οποία μετασχηματίζει δημόσια διαθέσιμα θεμελιώδη εταιρικά στοιχεία και δεδομένα αγοράς σε λειτουργικά χαρτοφυλάκια μετοχών, προσανατολισμένα σε ιδιώτες επενδυτές με βασικές γνώσεις χρηματοοικονομικών και προγραμματισμού. Στο αρχικό στάδιο εξάγονται τυποποιημένοι χρηματοοικονομικοί δείκτες για το σύνολο των εταιρειών ενός ευρέος χρηματιστηριακού δείκτη των ΗΠΑ. Ένα επιβλεπόμενο μοντέλο μηχανικής μάθησης κατατάσσει τις εταιρείες βάσει της θεμελιώδους ισχύος τους, ενώ η κατάταξη ενισχύεται μέσω διακριτικής ποιοτικής προσαρμογής που αξιοποιεί συναισθηματικά σήματα από ανοικτές ειδησεογραφικές πηγές, χωρίς εξάρτηση από ιδιόκτητα δεδομένα.

Οι κορυφαίες μετοχές εισάγονται σε έναν μηχανισμό κατασκευής χαρτοφυλακίων που υποστηρίζει πολλαπλές στρατηγικές κατανομής: επιδίωξη απόδοσης, εξισορρόπηση κινδύνου, διαφοροποίηση, προστασία από πτώσεις και δυναμική προσαρμογή. Όλες οι στρατηγικές υλοποιούνται μέσω ανοικτού λογισμικού και με ελάχιστες απαιτήσεις παραμετροποίησης, επιτρέποντας την εύκολη αναπαραγωγή ή τροποποίηση βάσει των επενδυτικών στόχων και του προφίλ κινδύνου του χρήστη.

Η απόδοση των χαρτοφυλακίων αξιολογείται μέσω back-testing και προβλεπτικής ανάλυσης, με σημείο αναφοράς έναν παθητικό δείκτη της αγοράς (S&P 500). Συνδυάζονται κλασικοί δείκτες απόδοσης–κινδύνου και προηγμένοι δείκτες μέτρησης ακραίων ζημιών, ενώ στοχαστικές προσομοιώσεις αναλύουν τη διασπορά και τον καθοδικό κίνδυνο των μελλοντικών αποδόσεων. Τα αποτελέσματα δείχνουν ότι αρκετές στρατηγικές παρουσιάζουν υψηλότερη απόδοση προσαρμοσμένη στον κίνδυνο και μεγαλύτερη σταθερότητα έναντι του σημείου αναφοράς, χωρίς ανάγκη για εμπορικά δεδομένα, ιδιόκτητο λογισμικό ή εξειδικευμένες υποδομές.

Συνδυάζοντας ερμηνεύσιμη μηχανική μάθηση, στοχευμένη ποιοτική ενίσχυση και ένα ευρύ φάσμα στρατηγικών κατανομής κεφαλαίου σε πλήρως αναπαραγώγιμο περιβάλλον, η παρούσα μελέτη αποδεικνύει ότι οι ιδιώτες επενδυτές μπορούν να υιοθετήσουν διαφανείς και τεκμηριωμένες επενδυτικές προσεγγίσεις, οι οποίες ανταγωνίζονται με πειστικότητα τις παθητικές μορφές τοποθέτησης, διατηρώντας παράλληλα πλήρη έλεγχο επί των δεδομένων και των διαδικασιών τους.