{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5325102"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5325102","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine learning applications in mutual fund research","abstract":"Ο 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.","abstract_html":"Ο 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.","abstract_has_math":false,"creators":["ΛΙΓΑ ΔΗΜΗΤΡΑ","LIGA DIMITRA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:45Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325102"],"render_values":[{"text":"uoadl:5325102","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325102","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325102","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5325102","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΛΙΓΑ ΔΗΜΗΤΡΑ","LIGA DIMITRA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325102","https://pergamos.lib.uoa.gr/uoa/dl/object/5325102"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο 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.","The main aim of this dissertation is to investigate whether machine learning can enhance the evaluation and monitoring of actively managed mutual funds, addressing several limitations of traditional fund research. Three core applications of machine learning were examined. Firstly, unsupervised learning was applied to style drift analysis using K-means clustering, leveraging holdings-based exposures across nine style buckets (Large Value, Mid Blend, Small Growth, etc.). The results revealed persistent misclassifications relative to Morningstar categories, frequent transitions across size and style clusters over time and watchlist cases where assigned clusters diverge from stated objectives. Secondly, supervised classification models were utilised in order to identify potential closet index funds in the sample, meaning strategies claiming to be active funds, but instead demonstrating passive management and replicating benchmark behaviour. Using regulatory and academic thresholds for tracking error, R-squared, beta, and active share, logistic regression and SVM classifiers demonstrated high predictive recall across short-term horizons, effectively flagging index-like behaviour. Nevertheless, the imbalanced dataset led to interesting trade-offs between false positives and true positives, emphasising the importance of proper threshold selection and careful interpretation of model outputs. Finally, the study evaluated the feasibility of forecasting short-term performance and risk metrics, including alpha, Sharpe ratio, information ratio, downside deviation and maximum drawdown, using both supervised regression and classification models. For the regression problem, Linear Regression, Ridge, Lasso, Random Forest and XGBoost models were employed, while for the classification problem, Logistic Regression, Random Forest and XGBoost were used. While regression performance was generally weak across most horizons and metrics, reframing the task as a top/bottom-quartile prediction problem improved results. Predictability deteriorated substantially at six-month and twelve-month horizons, reinforcing long-standing evidence that mutual fund performance persistence is limited especially long term."]},{"key":"dc:title","label":"Title","values":["Machine learning applications in mutual fund research"]}]}],"canonical_facts":{"dc:creator":["ΛΙΓΑ ΔΗΜΗΤΡΑ","LIGA DIMITRA"],"dc:date":["2026"],"dc:description":["Ο 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.","The main aim of this dissertation is to investigate whether machine learning can enhance the evaluation and monitoring of actively managed mutual funds, addressing several limitations of traditional fund research. Three core applications of machine learning were examined. Firstly, unsupervised learning was applied to style drift analysis using K-means clustering, leveraging holdings-based exposures across nine style buckets (Large Value, Mid Blend, Small Growth, etc.). The results revealed persistent misclassifications relative to Morningstar categories, frequent transitions across size and style clusters over time and watchlist cases where assigned clusters diverge from stated objectives. Secondly, supervised classification models were utilised in order to identify potential closet index funds in the sample, meaning strategies claiming to be active funds, but instead demonstrating passive management and replicating benchmark behaviour. Using regulatory and academic thresholds for tracking error, R-squared, beta, and active share, logistic regression and SVM classifiers demonstrated high predictive recall across short-term horizons, effectively flagging index-like behaviour. Nevertheless, the imbalanced dataset led to interesting trade-offs between false positives and true positives, emphasising the importance of proper threshold selection and careful interpretation of model outputs. Finally, the study evaluated the feasibility of forecasting short-term performance and risk metrics, including alpha, Sharpe ratio, information ratio, downside deviation and maximum drawdown, using both supervised regression and classification models. For the regression problem, Linear Regression, Ridge, Lasso, Random Forest and XGBoost models were employed, while for the classification problem, Logistic Regression, Random Forest and XGBoost were used. While regression performance was generally weak across most horizons and metrics, reframing the task as a top/bottom-quartile prediction problem improved results. Predictability deteriorated substantially at six-month and twelve-month horizons, reinforcing long-standing evidence that mutual fund performance persistence is limited especially long term."],"dc:identifier":["uoadl:5325102","https://pergamos.lib.uoa.gr/uoa/dl/object/5325102"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Machine learning applications in mutual fund research"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:45Z"}