{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5325167"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5325167","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Predicting the equity premium with machine learning balancing complexity, risk and performance","abstract":"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.","abstract_html":"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&amp;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.","abstract_has_math":false,"creators":["ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ","MPAKOGIANNIS THEODOROS"],"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:5325167"],"render_values":[{"text":"uoadl:5325167","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325167","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325167","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%3A5325167","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ","MPAKOGIANNIS THEODOROS"]}]},{"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:5325167","https://pergamos.lib.uoa.gr/uoa/dl/object/5325167"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","This thesis examines the ability of machine learning models to forecast the U.S. equity market risk premium and the economic value of these forecasts in trading strategies. Using S&P 500 data and Goyal–Welch predictors from 1926–2024, linear and nonlinear models are compared. Although out-of-sample predictive accuracy is generally weak, regularized linear models deliver superior risk-adjusted performance when embedded in Kelly-style allocation strategies. The results highlight that economic performance does not necessarily depend on strong statistical predictability and that carefully applied model complexity can enhance portfolio outcomes."]},{"key":"dc:title","label":"Title","values":["Predicting the equity premium with machine learning balancing complexity, risk and performance"]}]}],"canonical_facts":{"dc:creator":["ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ","MPAKOGIANNIS THEODOROS"],"dc:date":["2026"],"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.","This thesis examines the ability of machine learning models to forecast the U.S. equity market risk premium and the economic value of these forecasts in trading strategies. Using S&P 500 data and Goyal–Welch predictors from 1926–2024, linear and nonlinear models are compared. Although out-of-sample predictive accuracy is generally weak, regularized linear models deliver superior risk-adjusted performance when embedded in Kelly-style allocation strategies. The results highlight that economic performance does not necessarily depend on strong statistical predictability and that carefully applied model complexity can enhance portfolio outcomes."],"dc:identifier":["uoadl:5325167","https://pergamos.lib.uoa.gr/uoa/dl/object/5325167"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Predicting the equity premium with machine learning balancing complexity, risk and performance"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:45Z"}