Βασικός στόχος αυτής τη εργασίας είναι να παρουσιάσει με λεπτομερή και τεκμηριωμένο τρόπο την διαδικασία που ακολουθεί ένας χρηματοοικονομικός αναλυτής έτσι ώστε να προσδιορίσει την σχέση απόδοσης και κινδύνου κάποιων χρεογράφων με απώτερο σκοπό να καταλήξει σε ορθολογικά συμπεράσματα που μπορούν να τον οδηγήσουν στις βέλτιστες αποφάσεις. Οι αποφάσεις αυτές θα αφορούν την δόμηση ενός βέλτιστου χαρτοφυλακίου χρεογράφων το οποίο για δεδομένο κίνδυνο θα αποφέρει την μέγιστη αναμενόμενη απόδοση η αντίστροφα με δεδομένη την επιθυμητή απόδοση θα ενέχει το ελάχιστο ρίσκο . Η χρήση του απλού γραμμικού υποδείγματος , της μεθόδου ελαχίστων τετραγώνων (OLS) , των διαστημάτων εμπιστοσύνης και της στατιστικής συμπερασματολογίας είναι κάποιες από τις μεθόδους που θα εφαρμόσουμε για να προσδιορίσουμε με ακρίβεια την σχέση απόδοσης και κινδύνου χρεογράφων των οποίων έχουμε επιλέξει για τις εφαρμογές μας . Οι διαταράξεις των υποθέσεων του απλού γραμμικού υποδείγματος , όπως η αυτοσυσχέτιση και η ετεροσκεδαστικότητα είναι επίσης αντικείμενα προς εξέταση ,παράγοντες οι οποίοι αλλοιώνουν τις οικονομετρικές εκτιμήσεις της μεθόδου των ελαχίστων τετραγώνων και πρέπει να άρονται από τον αναλυτή, έτσι ώστε να καταλήγει η ανάλυση και η έρευνα των χρηματοοικονομικών εφαρμογών σε αξιόπιστες εκτιμήσεις . Ιδίως στην αντιμετώπιση της ετεροσκεδαστικότητας, η χρήση των μοντέλων ARCH/GARCH, μπορεί να μας οδηγήσει στο ζητούμενο ,το οποίο είναι η εκτίμηση και η πρόβλεψη του μελλοντικού κινδύνου αγοράς ενός χρεογράφου όπως η μετοχή . / The basic goal of this paper is to present in an analytic and trustworthy way, the process that a financial analyst follows so as to evaluate the relationship between risk and return of stocks. This kind of process will lead the analyst to rational conclusions and effective decisions which concern the structure of optimal portfolios of stocks. The optimal portfolio structure offers a maximum expected return if the risk is known and vice versa (minimum risk when the return is known).The use of the simple linear model, least square method and statistical conclusion function, are some of the methods that will help us to measure the relationship between risk and return of the stocks that we have chose to use for our applications. The disorders of the simple linear model assumptions, autocorrelation and heteroscedasticity, are parameters who are making the estimations of least squares method spurious. The analyst has to detect these problems so as the analysis and research of financial applications to conclude rational and effective estimations.Specialy in coping with heteroscedasticity, the use of ARCH/GARCH models can lead us to the objective, the estimation and forecast of the future risk of the stock being studied.

Στη συγκεκριμένη διπλωματική εργασία θα αναλύσω τον ρόλο που παίζει η αστάθεια στην ευρύτερη χρηματιστηριακή αγορά, σε συνδυασμό με τους θεσμικούς επενδυτές. Δηλαδή θα αναλύσουμε κατά πόσο οι συναλλαγές των θεσμικών επενδυτών επηρεάζουν την αστάθεια που παρατηρείται στις αποδόσεις των δεικτών των χρηματιστηρίων. / In this desertation will analyze the rule to play the volatility in the stocks markets, in combination with the institutional investors. I analyze that how the trading of institutional investors affected the volatility of equity returns of index of stock markets.

Neural networks have been shown to be a promising tool for forecasting financial times series. Numerous research and applications of neural networks in business have proven their advantage in relation to classical methods that do not include artificial intelligence. What makes this particular use of neural networks so attractive to financial analysts and traders is the fact that governments and companies benefit from it to make decisions on investment and trading. However, when the number of inputs to the model and the number of training examples becomes extremely large, the training procedure for ordinary neural network architectures becomes tremendously slow and unduly tedious. To overcome such time-consuming operations, this research work focuses on using various Higher Order Neural Networks (HONNs) which have a single layer of learnable weights, therefore reducing the networks' complexity. In order to predict the upcoming trends of univariate financial time series signals, three HONNs models; the Pi-Sigma Neural Network, the Functional Link Neural Network, and the Ridge Polynomial Neural Network were used, as well as the Multilayer Perceptron. Furthermore, a novel neural network architecture which comprises of a feedback connection in addition to the feedforward Ridge Polynomial Neural Network was constructed. The proposed network combines the properties of both higher order and recurrent neural networks, and is called Dynamic Ridge Polynomial Neural Network (DRPNN). Extensive simulations covering ten financial time series were performed. The forecasting performance of various feedforward HONNs models, the Multilayer Perceptron and the novel DRPNN was compared. Simulation results indicate that HONNs, particularly the DRPNN in most cases demonstrated advantages in capturing chaotic movement in the financial signals with an improvement in the profit return over other network models. The relative superiority of DRPNN to other networks is not just its ability to attain high profit return, but rather to model the training set with fast learning and convergence. The network offers fast training and shows considerable promise as a forecasting tool. It is concluded that DRPNN do have the capability to forecast the financial markets, and individual investor could benefit from the use of this forecasting.

Το ζητούμενο σε κάθε επιχείρηση είναι η αντιμετώπιση καταστάσεων οι οποίες μπορεί να παρουσιάσουν αυξημένη πιθανότητα απωλειών. Για να επιτευχθεί ο συγκεκριμένος στόχος είναι αναγκαίος ο εντοπισμός και ο καθορισμός της σημαντικότητας των επικείμενων κινδύνων. Αυτούς τους κινδύνους μπορούμε να τους κατατάξουμε σε επιχειρησιακούς, μη επιχειρησιακούς και χρηματοοικονομικούς. Η διαχείριση του κινδύνου δεν έχει ως πρώτο σκοπό την αποφυγή του κινδύνου, αλλά την ελαχιστοποίησή του, αφού πρώτα εντοπιστεί και καθοριστεί το πόσο σημαντικός είναι. Στόχος είναι να ποσοτικοποιηθεί ο κίνδυνος και να υπολογίζεται ένα μέτρο συνολικού κινδύνου, έτσι ώστε δίνοντας μια τιμή σε αυτόν, να αποφασίσουμε αν θα πάρουμε το ρίσκο να τον αναλάβουμε ή όχι, με μεγαλύτερη ευκολία. Ένα μέτρο συνολικού κινδύνου, προκύπτει από την προσέγγιση της δυνητικής ζημίας {VAR(Value−At−Risk)}. Η προσέγγιση αυτή αποτελεί μια ποσοστιαία κατανομή κέρδους και απώλειας σε ένα συγκεκριμένο χρονικό διάστημα. Μπορεί να χρησιμοποιηθεί από οποιοδήποτε οργανισμό εκτίθεται σε χρηματοοικονομικό κίνδυνο και συνοψίζει τη χειρότερη ζημία με δεδομένο διάστημα εμπιστοσύνης. Σκοπός της παρούσας εργασίας είναι η περιγραφή του τρόπου λειτουργίας της προσέγγισης της δυνητικής ζημίας (VAR). Για την αξιολόγηση του κινδύνου η δυνητική ζημία (VAR) χρησιμοποιεί τρεις μεθόδους προσομοίωσης, την Ιστορική, την Monte Carlo και την Variance−covariance προσομοίωση. Παρουσιάζονται οι μέθοδοι αυτοί, τα πλεονεκτήματα και τα μειονεκτήματά τους. Η εργασία καταλήγει σε μελέτη μιας εφαρμογής, με τη μέθοδο της Ιστορικής προσομοίωσης. / The aim of enterprises is to remedy situations, which may identify increased probability losses. In order to achieve this particular objective, it is necessary to determine the importance of imminent risks. These risks can be classified into operational, not operational and financial. The primary aim of Risk management is not to evade risk, but to minimize it. The risk must be located and we have to determine its importance. The objective is to quantify the risk and calculate one measure of total risk. One measure of total risk, is the Value at Risk (VAR) approach. In its most general form, the Value at Risk (VAR) measures the potential loss in value of a risky asset or portfolio, over a defined period for a given confidence interval. The aim of this essay is the description of Value at Risk (VAR) approach. For the evaluation of the risk the Value at Risk (VAR) approach uses three methods of simulation. The Historical, the Monte Carlo and the VarianceCovariance simulation. These three methods are presented along with their advantages and disadvantages. The essay is concluded with an application using the method of Historical simulation.

Στόχος μιας επένδυσης είναι το κέρδος, όπως αυτό εκφράζεται μέσω της απόδοσης. Στην εργασία αυτή μελετάμε την έννοια και τις διάφορες μορφές απόδοσης, καθώς και διάφορα μοντέλα πρόβλεψής της, όπως το Μοντέλο Τυχαίου Περιπάτου. Στη συνέχεια εξετάζουμε την σχέση κινδύνου-απόδοσης και τον τρόπο με τον οποίο ενδείκνυται να διαχειριζόμαστε χαρτοφυλάκια επενδυτικών προϊόντων. Για τον σκοπό αυτό είναι ιδιαιτέρως χρήσιμη η εύρεση του Tangency Portfolio, η εκτίμηση των E(R) και σR, και τέλος η μελέτη της συσχέτισης μεταξύ των τοποθετήσεων ρίσκου που αποτελούν το χαρτοφυλάκιό μας. Ακολουθεί αναφορά σε επενδύσεις σταθερού κέρδους, όπως είναι τα ομόλογα, και εισάγεται η έννοια της Value at Risk (VaR), με τις δύο βασικές της παραμέτρους, τον χρονικό ορίζοντα (Τ) και το επίπεδο εμπιστοσύνης (1-α). Η VaR εκτιμάται παραμετρικά, μη παραμετρικά και με την χρήση Pareto Tails. Τέλος, εισάγεται η έννοια των συζεύξεων (copulas), και μελετώνται μέσω αυτών οι τιμές της VaR ενός επενδυτικού χαρτοφυλακίου. Κλείνουμε με μια εφαρμογή στο λογισμικό XPlore, όπου χρησιμοποιούνται πραγματικά δεδομένα τραπεζικών προϊόντων για τη μελέτη της VaR. / Objective of an investment is profit, as this is expressed through returns.We study the meaning and various forms of returns, as well as various models of anticipation of returns, such as the Random Walk Model.We focus at the risk-return relationship, and the way in which it is appropriate to manage portfolios of various investment products. To accomplish this, it is useful finding the tagency portfolio, estimating E(R) and sR, and eventualy studying the correlation between the various risk investments, which consist part of a portfolio.We continue with an extended reference to bonds, and introduce the concept of Value at Risk (VAR), with the it's two basic parameters, time horizon (T) and level of confidence (1-a).VaR is estimated parametricaly, non-parametricaly and with the use of pareto tails. Finally, we introduce the concept of copulas , and with their aid, we try to estimate the VaR of an investment portfolio. We conclude with an example of Value at Risk estimation, using real data, taken from the site of the National Bank of Greece.