Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚυρατζής, Ιωάννης-
dc.contributor.otherKyratzis, Ioannis-
dc.description.abstractΤα παραγοντικά μοντέλα της θεωρίας τιμολόγησης περιουσιακών στοιχείων χρησιμοποιούνται για την εξήγηση των αποδόσεων των περιουσιακών στοιχείων και γενικά των φαινομένων που επικρατούν στην αγορά. Αποδόσεις οι οποίες φαίνεται να αποκλίνουν από τις προβλέψεις των μοντέλων αυτών, παρατηρούνται έντονα στην αγορά και αποτελούν αντικείμενο επιστημονικής μελέτης. Το φαινόμενο αυτό στην χρηματοοικονομική ονομάζεται ανωμαλία. Τα παραγοντικά μοντέλα είναι γραμμικές σχέσεις αποδόσεων διάφορων παραγόντων. Η μελέτη των αποδόσεων ενός περιουσιακού στοιχείου, παραδείγματος χάριν ενός χαρτοφυλακίου μετοχών, πραγματοποιείται μέσω της κλασσικής γραμμικής παλινδρόμησης. Κατ’ αυτό τον τρόπο, διευκρινίζεται η επίδραση του κάθε παράγοντα, υπολογίζονται δηλαδή οι συντελεστές β των παραγόντων του γραμμικού μοντέλου, στο συγκεκριμένο χαρτοφυλάκιο. Οι ανωμαλίες, σε μια τέτοια μελέτη παράγουν α (τομή υπερεπιπέδου παλινδρόμησης με τον άξονα της εξαρτημένης μεταβλητής), θετικό και στατιστικά σημαντικό, δηλαδή μια ανεξήγητα υπερβολική απόδοση. Σκοπός της συγκεκριμένης εργασίας είναι η «εργαλειοποίηση» της μηχανικής μάθηση ούτως ώστε να κατασκευαστεί ένας κανόνας μη γραμμικός και δυναμικός, που να είναι ικανός να αιχμαλωτίζει μια ανωμαλία που αντιπροσωπεύεται από ένα χαρτοφυλάκιο, καθώς επίσης και να εξηγεί την επίδραση του κάθε παράγοντα στη συγκεκριμένη ανωμαλία. Για το σκοπό αυτό χρησιμοποιείται ο τομέας των αναδρομικών νευρωνικών δικτύων σε συνδυασμό με τους παράγοντες των μοντέλων Fama and French (FF5) και q5.el
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΜηχανική μάθησηel
dc.subjectΠαραγοντικά μοντέλαel
dc.subjectΤιμολόγηση περιουσιακών στοιχείωνel
dc.titleΣύγκριση χρηματοοικονομικών παραγοντικών μοντέλων με χρήση μηχανικής μάθησηςel
dc.title.alternativeFinancial factor model comparison using machine learningel
dc.description.translatedabstractFactor asset pricing models are used to explain returns on assets and market phenomena. Abnormal returns that deviate from pricing model predictions, are often observed in the market and have been the subject of many studies in finance. Such phenomena are called market anomalies or simply anomalies. Factor models are linear relationships of known factors. Returns on assets (e.g. a portfolio) are being explained performing classical linear regression. In this way, the effect of each factor is quantified, i.e. the factor coefficients β of the linear model are calculated, for a specific portfolio. For an anomaly, linear regression should produce a positive and statistically significant α (intercept with the axis of the dependent variable). The purpose of this thesis is to utilize machine learning to construct a nonlinear and dynamic rule, able to capture an anomaly represented by a portfolio, as well as to explain the effect of each factor on this specific anomaly. The field of recurrent neural networks is used in combination with Fama and French 5 (FF5) and q5 factor models.el
dc.subject.alternativeNeural networksel
dc.subject.alternativeMachine learningel
dc.subject.alternativeFactor modelsel
dc.subject.alternativeAsset pricingel
datacite.contributor.SupervisorΚούσουλας Νικόλαος-
datacite.contributor.RelatedPersonΜαρκάκης Μιχαήλ-
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
thesis_IoannisKyratzis.pdf1.78 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.