Back to search

National and Kapodistrian University of Athens

Predicting the equity premium with machine learning balancing complexity, risk and performance

Abstract

dc:description

Η εργασία εξετάζει την ικανότητα μοντέλων μηχανικής μάθησης να προβλέπουν το ασφάλιστρο κινδύνου της αγοράς μετοχών των ΗΠΑ και τη χρησιμότητα αυτών των προβλέψεων σε στρατηγικές συναλλαγών. Χρησιμοποιώντας δεδομένα του S&P 500 και τους προβλεπτικούς δείκτες Goyal–Welch για την περίοδο 1926–2024, συγκρίνονται γραμμικά και μη γραμμικά μοντέλα. Τα αποτελέσματα δείχνουν ότι, παρά τη χαμηλή εκτός δείγματος προβλεπτική ακρίβεια, τα κανονικοποιημένα γραμμικά μοντέλα επιτυγχάνουν ανώτερη απόδοση προσαρμοσμένη στον κίνδυνο όταν ενσωματώνονται σε στρατηγικές κατανομής τύπου Kelly. Τα ευρήματα υπογραμμίζουν ότι η οικονομική αξία δεν ταυτίζεται απαραίτητα με τη στατιστική ακρίβεια και ότι η πολυπλοκότητα, όταν εφαρμόζεται με μέτρο, μπορεί να βελτιώσει την επενδυτική επίδοση.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ
  • MPAKOGIANNIS THEODOROS

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5325167

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ; MPAKOGIANNIS THEODOROS. Predicting the equity premium with machine learning balancing complexity, risk and performance. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5325167