Δημιουργία χαρτοφυλακίων νομισμάτων βάσει βελτιστοποιημένης στρατηγικής συναλλαγών και διαχείριση κινδύνου με χρήση τεχνητής νοημοσύνης

Χανδρινός, Σπυρίδων; Chandrinos, Spyridon

dc.contributor.author	Χανδρινός, Σπυρίδων	el
dc.contributor.author	Chandrinos, Spyridon	en
dc.date.accessioned	2017-07-20T09:22:27Z
dc.date.available	2017-07-20T09:22:27Z
dc.date.issued	2017-07-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45291
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14052
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Χαρτοφυλάκια	el
dc.subject	Στρατηγική συναλλαγών	el
dc.subject	Αλγόριθμοι βελτιστοποίησης	el
dc.subject	Νομισματικές ισοτιμίες	el
dc.subject	Portfolios	en
dc.subject	Trading strategy	en
dc.subject	Optimization algorithms	en
dc.subject	Currencies	en
dc.title	Δημιουργία χαρτοφυλακίων νομισμάτων βάσει βελτιστοποιημένης στρατηγικής συναλλαγών και διαχείριση κινδύνου με χρήση τεχνητής νοημοσύνης	el
dc.title	Construction of currency portfolios based on optimized trading strategy and risk management using artificial intelligence	en
heal.type	bachelorThesis
heal.classification	Βελτιστοποίηση	el
heal.classification	Μηχανική	el
heal.classification	Optimization	en
heal.classification	Engineering	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-06-16
heal.abstract	Πρωταρχικός στόχος αυτής της μελέτης είναι η δημιουργία επενδυτικής αξίας (κέρδους) μέσω απολύτως εφαρμοζόμενων και πρακτικών διαδικασιών σε αντίθεση με αρκετές μελέτες που έχουν εκπονηθεί σε θεωρητικό επίπεδο. Για την επίτευξη της επενδυτικής αξίας η έρευνα αυτή χωρίζεται σε δύο φάσεις: α) την δημιουργία χαρτοφυλακίων από νομίσματα με βάση μία βελτιστοποιημένη στρατηγική συναλλαγών και β) την χρησιμοποίηση μεθόδων τεχνικής νοημοσύνης ως εργαλεία διαχείρισης κινδύνου για την περεταίρω βελτίωση των ήδη δημιουργηθέντων χαρτοφυλακίων. Σχετικά με την πρώτη φάση της εργασίας, αρχικά γίνεται ανάπτυξη μίας στρατηγικής συναλλαγών, η οποία βασίζεται σε κανάλια τιμών. Στο πλαίσιο να καταστεί αυτή η στρατηγική όσο πιο κερδοφόρα γίνεται, αναπτύσσεται ένα καινούριο βοηθητικό εργαλείο συναλλαγών (MRB - Modified Renko Bar), το οποίο επιτυγχάνει μία ακριβέστερη απεικόνιση της αγοράς συναλλαγμάτων σε σύγκριση με τα κοινά διαγράμματα. Συνδυάζοντας την στρατηγική συναλλαγών με το καινούριο βοηθητικό εργαλείο δημιουργείται ένα παραμετρικό σύστημα. Οι μεταβλητές αυτού του συστήματος θα προσδιοριστούν για οκτώ συναλλαγματικές ισοτιμίες μέσα από μια περίοδο τεσσάρων χρόνων (2006-2009) συγκρίνοντας τις αποδόσεις τριών αλγορίθμων βελτιστοποίησης. Οι αλγόριθμοι αυτοί ανήκουν στην κατηγορία των αλγορίθμων εκείνων που δεν απαιτούν τον υπολογισμό των μερικών παραγώγων, της αντικειμενικής συνάρτησης και των περιορισμών. Έπειτα, κάνοντας χρήση του βέλτιστου συνόλου παραμέτρων για κάθε ισοτιμία, θα εφαρμοστεί το αναπτυχθέν σύστημα συναλλαγών για ένα χρονικό διάστημα επτά ετών (2010-2016) ώστε να προκύψουν οι αποδόσεις από το σύνολο των παραγόμενων συναλλαγών. Εφόσον, εξετασθούν οι αποδόσεις για κάθε χρονιά για κάθε ισοτιμία σειρά έχει η δημιουργία των επενδυτικών χαρτοφυλακίων. Κατασκευάστηκαν δύο τύποι χαρτοφυλακίων: α) ένα απλό ισοκατανεμημένο χαρτοφυλάκιο, στο οποίο όλες οι ισοτιμίες διατηρούνίδιο και ίσο ποσοστό κάθε χρονιά και β) έναχαρτοφυλάκιο στο οποίο οι ποσοστώσεις που θα κατέχει η καθεμία ισοτιμία θα προσδιορίζονται με βάση την απόδοση των συναλλαγών του προηγούμενου έτους. Εν συνεχεία, ακολουθεί η αξιολόγηση των δημιουργηθέντων επενδυτικών χαρτοφυλακίων μέσω διαφόρων επενδυτικών κριτηρίων. Τέλος, γίνεται σύγκριση των αποδόσεων τους με κάποιους από τους βασικότερους επενδυτικούς δείκτες παγκοσμίως, οι οποίοι χρησιμοποιούνται από τουςεπενδυτέςωςσημείοαναφοράς(π.χ.S&P500,BarclayCTAIndex). Σχετικά με τη δεύτερη φάση της μελέτης, γίνεται χρήση αλγορίθμων τεχνικών νοημοσύνης ως εργαλεία διαχείρισης κινδύνου για τη βελτίωση των αποδόσεων των δύο τύπων χαρτοφυλακίων της προηγούμενης φάσης. Στην εργασία αυτή, εστιάζουμε σε δύο αλγορίθμους μηχανικής μάθησης: α) νευρωνικά δίκτυα και β) δέντρα αποφάσεων. Μέσω της χρήσης αυτών των εργαλείων επιχειρείται να αξιολογηθούν τα παραχθέντα σήματα από το αναπτυχθέν σύστημα της πρώτης φάσης και να κατηγοριοποιηθούν σε κερδοφόρα και μη κερδοφόρα σήματα πριν μετουσιωθούν σε συναλλαγές. Έτσι, το δημιουργηθέν αυτό σύστημα διαχείρισης κινδύνου θα έχει την δυνατότητα μέσα από την κατάλληλη εκπαίδευση να προβλέπει εξ’ αρχής εάν το παραχθέν σήμα θα επιφέρει κέρδος ή ζημία σε περίπτωση που ακολουθηθεί. Τα παραδείγματα πάνω στα οποία θα εκπαιδευτούν οι αλγόριθμοι θα είναι δεδομένα την στιγμή της παραγωγής του σήματος τα οποία θα αξιολογούνται με βάση το αποτέλεσμα της συναλλαγής (κέρδος ή ζημία). Τα δεδομένα εισόδου για την εκπαίδευση των αλγορίθμων είναι κυρίως τιμές τεχνικών δεικτών που 3 χρησιμοποιούνται ευρέως από τους επενδυτές. Επιπλέον, ως δεδομένα εισόδου χρησιμοποιείται και μία χρονοσειρά που δείχνει το επίπεδο των τιμών της εκάστοτε ισοτιμίας την στιγμή των τελευταίων πέντε σημάτων. Η διαδικασία της εκπαίδευσης δοκιμής - αξιολόγησης των δύο αυτών αλγορίθμων θα γίνει με βάση την τεχνική της δυναμικής διολίσθησης παραθύρου. Η διαδικασία εκπαίδευσης των αλγορίθμων περιέχει δεδομένα από σήματα που παράχθηκαν από το σύστημα συναλλαγών μέσα στη περίοδο τριών χρόνων. Το μέγεθος του παραθύρου δοκιμής είναι ένας χρόνος όπως επίσης και το μέγεθος του παραθύρου αξιολόγησης των αλγορίθμων. Σκοπός είναι με την πραγματοποίηση μονό των κατηγοριοποιημένων ως κερδοφόρων σημάτων σε συναλλαγές να αποφευχθούν σημαντικές απώλειες για τον επενδυτή μυώντας έτσι την διακύμανση των χαρτοφυλακίων δηλαδή το ρίσκο τους και εμμέσωςαυξάνονταςεάνείναιδυνατόκαιτηνσυνολικήτουςαπόδοση. Όπως αναφέρθηκε και στην αρχή, σκοπός αυτής της έρευνας είναι να δημιουργήσει τα κατάλληλα εργαλεία και συνθήκες ώστε ο επενδυτής να παράγει πλούτο. Ο άνθρωπος πάντοτε επιδίωκε την υπεραπόδοση των κεφαλαίων, ιδανικά με το μικρότερο δυνατό ρίσκο. Μέχρι πρότινος, τα τραπεζικά ιδρύματα προσέφεραν ασφάλεια και υψηλές αποδόσεις στις καταθέσεις των πελατών. Πλέον που τα δεδομένα αυτά δεν ισχύουν, οι επενδυτές έχουν στραφεί σε πιο περίπλοκες επενδυτικές λύσεις στην αναζήτησής τους για σημαντικές αποδόσεις με τη μικρότερη δυνατή επικινδυνότητα. Αυτή η εργασία αποτελεί μία ολοκληρωμένη πρωτοπόρα επενδυτικήλύσηγιαδιάφορουςτύπουςεπενδυτών.	el
heal.abstract	The ultimate purpose of this study is the creation of true value (profit) through an absolutelyapplicable and practical way. In order forthisobjectiveto beachieved, two phases are followed: a) the construction of currency portfolios by means of an optimized investment strategy and b) the improvement of the performance of the portfolios using machine learning algorithms as risk management tool. The first part of this study focuses on the development of a technical breakout trading strategy based on the a Donchian Channel approach, aiming to the construction of profitable portfolios. In this direction, the Modified Renko Bars (MRBs) are developed first herein; that proved to be a useful trading tool that responses more accurately than the normal candle sticks to the nature and characteristics of the FOREX market. Subsequently, the parameters of this system are calibrated for eight currency pairs, over a period of four years (2006-2009), by comparing the performance of three global search derivative-free optimization algorithms. Then, the returns of the developed system are tested for the next seven years (2010-2016) for each pair and two types of portfolios are constructed; an equal weighted one and a portfolio based on the Kelly criterion. The main objective is to create currency portfolios based on a new optimized strategy, which could beat constantly the main investors’benchmarks(i.e.S&P500,BarclayCTAIndex). The second part of this study is focused on the utilization of Machine Learning (ML) as a risk management tool. Two well-known ML techniques are used here in; the Artificial Neural Networks (ANN) and Decision Trees (DT) ones. Specifically, the Deep feedforward Neural Networks (DNN) and Classification And Regression Trees (CART) correspondingly are used. The two ML techniques are used in order to classify the produced signals of the developed MRB trading strategy into two classes: profitableand non-profitable. Theresulted two Artificial Intelligent RiskManagement Systems (AIRMSs) are applied to five currencies and their performance is examined. The features that are utilized as inputs to the ML models are mainly technical indicators and also time series of past entry points are used as input features. The walk-forward testing routine, also known as dynamic sliding window process, is followedinordertotrain,testand evaluatetheMLmodels.Themain objectiveofthis study is to enhance the performance of two currency portfolios by increasing their sharpe ratio primarily through the reduction of the standard deviation and the increase oftheaveragereturn. Every investor has as first priority to construct a portfolio that could provide him with the highest possible return of his initial capital especially now that the interests and the safety that the banks, used to offer, are no longer exist. The selection of portfolio is not a simple but a complicated procedure. In the market there are thousands of portfolio that someone could choose. This study constitutes an complete innovative investment solution for investors with different risk profiles.	en
heal.advisorName	Λαγαρός, Νικόλαος	el
heal.committeeMemberName	Γερόλυμος, Νικόλαος	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Δομοστατικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.
heal.fullTextAvailability	true