National and Kapodistrian University of Athens
Machine learning applications in mutual fund research
Abstract
dc:descriptionΟ κύριος στόχος αυτής της διπλωματικής εργασίας είναι να διερευνήσει κατά πόσο η μηχανική μάθηση μπορεί να βελτιώσει την αξιολόγηση και έρευνα ενεργά διαχειριζόμενων αμοιβαίων κεφαλαίων, αντιμετωπίζοντας ορισμένους από τους περιορισμούς της παραδοσιακής έρευνας κεφαλαίων. Εξετάστηκαν τρεις βασικές εφαρμογές της μηχανικής μάθησης. Πρώτον, εφαρμόστηκε μη επιβλεπόμενη μάθηση στην ανάλυση style drift με τη χρήση της μεθόδου K-means, αξιοποιώντας δεδομένα χαρτοφυλακίου και εκθέσεις σε εννέα κατηγορίες (Large Value, Mid Blend, Small Growth κ.λπ.). Τα αποτελέσματα καταδεικνύουν συστηματικές αποκλίσεις από τις κατηγοριοποιήσεις της Morningstar, συχνές μετακινήσεις μεταξύ clusters διαχρονικά, καθώς και περιπτώσεις όπου το πραγματικό επενδυτικό προφίλ των κεφαλαίων δεν ευθυγραμμίζεται με τους δηλωμένους στόχους (objectives) τους. Δεύτερον, χρησιμοποιήθηκαν επιβλεπόμενα μοντέλα ταξινόμησης (classification) για τον εντοπισμό πιθανών closet index funds στο δείγμα, δηλαδή στρατηγικών που δηλώνουν ενεργή διαχείριση αλλά στην πράξη ακολουθούν παθητικές στρατηγικές και αναπαράγουν τη συμπεριφορά του δείκτη αναφοράς. Με τη χρήση κανονιστικών και ακαδημαϊκών ορίων για metrics όπως το tracking error, το R-squared, το beta και το active share, τα μοντέλα Λογιστικής Παλινδρόμησης και SVM παρουσίασαν υψηλ΄ό recall σε βραχυπρόθεσμους χρονικούς ορίζοντες. Παράλληλα, η ανισορροπία των δεδομένων ανέδειξε σημαντικά διλήμματα μεταξύ false and true positives, υπογραμμίζοντας την ανάγκη προσεκτικής επιλογής thresholds και ερμηνείας των προβλέψεων. Τέλος, η μελέτη αξιολόγησε τη δυνατότητα πρόβλεψης βραχυπρόθεσμων δεικτών απόδοσης και κινδύνου, συμπεριλαμβανομένων του alpha, του Sharpe ratio, του information ratio, του downside deviation και του maximum drawdown, χρησιμοποιώντας τόσο επιβλεπόμενα μοντέλα παλινδρόμησης (regression) όσο και ταξινόμησης (classification). Για το πρόβλημα της παλινδρόμησης εφαρμόστηκαν τα μοντέλα Linear Regression, Ridge, Lasso, Random Forest και XGBoost, ενώ για το πρόβλημα της ταξινόμησης χρησιμοποιήθηκαν τα Logistic Regression, Random Forest και XGBoost. Παρότι η απόδοση των μοντέλων παλινδρόμησης ήταν γενικά ασθενής στους περισσότερους χρονικούς ορίζοντες και δείκτες, η αναδιατύπωση του προβλήματος ως κατάταξη ανώτερου/κατώτερου τεταρτημορίου βελτίωσε τα αποτελέσματα. Η προβλεψιμότητα επιδεινώθηκε σημαντικά στους ορίζοντες των έξι και δώδεκα μηνών, ενισχύοντας τη μακροχρόνια βιβλιογραφική διαπίστωση ότι η πρόβλεψη απόδοσης αμοιβαίων κεφαλαίων είναι περιορισμένη, ιδίως σε μακροπρόθεσμο ορίζοντα.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΛΙΓΑ ΔΗΜΗΤΡΑ
- LIGA DIMITRA
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5325102