Η παρούσα διπλωματική εργασία εξετάζει τη συγκριτική αποτελεσματικότητα παραδοσιακών μεθόδων αριστοποίησης χαρτοφυλακίου και μεθόδων μηχανικής μάθησης (ML), αξιοποιώντας πραγματικά χρηματοοικονομικά δεδομένα για την περίοδο 2020–2025. Σκοπός της μελέτης είναι να διερευνηθεί αν σύγχρονες τεχνικές μηχανικής μάθησης μπορούν να οδηγήσουν σε καλύτερη επενδυτική επίδοση σε σχέση με κλασικές προσεγγίσεις, όπως το ισοσταθμισμένο χαρτοφυλάκιο, το χαρτοφυλάκιο ελάχιστης διακύμανσης, το χαρτοφυλάκιο μέγιστου Sharpe ratio και το CAPM.
Η ανάλυση βασίζεται σε ημερήσιες προσαρμοσμένες τιμές κλεισίματος 24 επενδυτικών προϊόντων, τα οποία περιλαμβάνουν μετοχές, ETFs ομολόγων, ETFs ακινήτων, εμπορεύματα, διεθνείς μετοχικούς δείκτες και συναλλαγματικές ισοτιμίες. Η εμπειρική αξιολόγηση πραγματοποιείται με διαδικασία κυλιόμενου παραθύρου (rolling window), ώστε οι στρατηγικές να εκτιμώνται και να εφαρμόζονται με βάση μόνο την εκάστοτε διαθέσιμη ιστορική πληροφορία.
Στο πλαίσιο της μηχανικής μάθησης (ML) χρησιμοποιούνται μοντέλα ταξινόμησης, όπως Decision Tree, Random Forest, Support Vector Machine και XGBoost, με στόχο την πρόβλεψη της πιθανότητας θετικής επόμενης ημερήσιας απόδοσης. Οι προβλέψεις μετατρέπονται σε επενδυτικές αποφάσεις μέσω επιλογής των περιουσιακών στοιχείων με τις υψηλότερες προβλεπόμενες πιθανότητες. Η αξιολόγηση γίνεται με δείκτες όπως συνολική και ετησιοποιημένη απόδοση, μεταβλητότητα, Sharpe ratio, max drawdown, Sortino ratio και Calmar ratio.
Τα αποτελέσματα δείχνουν ότι οι μέθοδοι μηχανικής μάθησης μπορούν να προσφέρουν χρήσιμη πληροφόρηση, χωρίς όμως να εξασφαλίζουν πάντοτε ανώτερη επενδυτική επίδοση. Η εργασία καταλήγει ότι οι παραδοσιακές μέθοδοι παραμένουν ισχυρά και ερμηνεύσιμα εργαλεία, ενώ τα ML μοντέλα μπορούν να λειτουργήσουν συμπληρωματικά, υπό προσεκτική εφαρμογή και αυστηρή αξιολόγηση.

This postgraduate dissertation examines the comparative effectiveness of traditional portfolio optimization methods and machine learning (ML) methods, using real financial data for the period 2020–2025. The purpose of the study is to investigate whether modern machine learning techniques can lead to better investment performance compared with classical approaches, such as the equally weighted portfolio, the minimum variance portfolio, the maximum Sharpe ratio portfolio and the CAPM.
The analysis is based on daily adjusted closing prices of 24 investment products, including stocks, bond ETFs, real estate ETFs, commodities, international equity indices and foreign exchange rates. The empirical evaluation is carried out using a rolling window procedure, so that the strategies are estimated and applied based only on the historical information available at each point in time.
Within the machine learning framework, classification models are used, such as Decision Tree, Random Forest, Support Vector Machine and XGBoost, with the aim of predicting the probability of a positive next-day return. The predictions are converted into investment decisions by selecting the assets with the highest predicted probabilities. The evaluation is conducted using indicators such as total and annualized return, volatility, Sharpe ratio, max drawdown, Sortino ratio and Calmar ratio.
The results show that machine learning methods can provide useful information, without, however, always ensuring superior investment performance. The dissertation concludes that traditional methods remain robust and interpretable tools, while ML models can function complementarily, provided that they are applied carefully and evaluated rigorously.