Data-driven portfolio optimization: exploring traditional and machine learning models under real market conditions

Η παρούσα διπλωματική εργασία εξετάζει τη βελτιστοποίηση χαρτοφυλακίου με βάση τα δεδομένα, συγκρίνοντας παραδοσιακά χρηματοοικονομικά υποδείγματα με σύγχρονες τεχνικές μηχανικής μάθησης υπό πραγματικές συνθήκες αγοράς. Το θεωρητικό υπόβαθρο βασίζεται στη Θεωρία Σύγχρονου Χαρτοφυλακίου (Markowitz) και στο μοντέλο Black–Litterman, τα οποία, παρά τη θεωρητική τους αρτιότητα, εμφανίζουν ευαισθησία σε σφάλματα εκτίμησης και αστάθεια σε περιόδους έντονης αβεβαιότητας. Η μελέτη διερευνά κατά πόσο η ενσωμάτωση δεδομενοκεντρικών μεθόδων μπορεί να βελτιώσει τη σχέση κινδύνου–απόδοσης και τη διαχρονική σταθερότητα των χαρτοφυλακίων. Συγκεκριμένα, εφαρμόζονται εποπτευόμενες τεχνικές (Ridge, LASSO, Random Forest) και μη εποπτευόμενες μέθοδοι (clustering), με στόχο τη μείωση της υπερπροσαρμογής, την ενίσχυση της διαφοροποίησης και την αποτύπωση μη γραμμικών σχέσεων στα δεδομένα. Τα χαρτοφυλάκια κατασκευάζονται χρησιμοποιώντας ιστορικά δεδομένα από το Yahoo Finance, που περιλαμβάνουν μετοχές, ομόλογα και εναλλακτικά περιουσιακά στοιχεία. Η αξιολόγηση πραγματοποιείται μέσω αυστηρού πλαισίου backtesting με διάκριση εντός και εκτός δείγματος, χρησιμοποιώντας δείκτες όπως ο λόγος Sharpe, η μεταβλητότητα, η μέγιστη πτώση και η εναλλαγή χαρτοφυλακίου. Τα εμπειρικά αποτελέσματα δείχνουν ότι οι μέθοδοι μηχανικής μάθησης παρουσιάζουν αυξημένη ανθεκτικότητα σε περιόδους χρηματοοικονομικής αναταραχής, ενώ οι κανονικοποιημένες προσεγγίσεις βελτιώνουν τη σταθερότητα των προβλέψεων. Παράλληλα, τα παραδοσιακά υποδείγματα διατηρούν την αξία τους ως ερμηνεύσιμα σημεία αναφοράς. Συνολικά, η έρευνα καταδεικνύει ότι ο συνδυασμός θεωρητικών θεμελίων και δεδομενοκεντρικής ευελιξίας οδηγεί σε πιο προσαρμοστικές και ανθεκτικές επενδυτικές στρατηγικές.