Ανθεκτική Βελτιστοποίηση Χαρτοφυλακίου με Βάση την Εντροπία και Υπολογιστική Προσέγγιση με Χρήση Τεχνητών Νευρωνικών Δικτύων

Φραγκιαδάκης, Αντώνιος

dc.contributor.author	Φραγκιαδάκης, Αντώνιος
dc.date.accessioned	2025-11-04T13:28:35Z
dc.date.available	2025-11-04T13:28:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62807
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30503
dc.rights	Default License
dc.subject	Βελτιστοποίηση χαρτοφυλακίου	el
dc.subject	Ανθεκτική βελτιστοποίηση	el
dc.subject	Εντροπιακή κανονικοποίηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μοντελοποίηση αβεβαιότητας	el
dc.subject	Portfolio optimization	en
dc.subject	Robust optimization	en
dc.subject	Entropy regularization	en
dc.subject	Neural networks	en
dc.subject	Uncertainty modeling	en
dc.title	Ανθεκτική Βελτιστοποίηση Χαρτοφυλακίου με Βάση την Εντροπία και Υπολογιστική Προσέγγιση με Χρήση Τεχνητών Νευρωνικών Δικτύων	el
heal.type	bachelorThesis
heal.classification	Μαθηματικά Χρηματοοικονομικά	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-10
heal.abstract	Η παρούσα μελέτη εξετάζει τη βελτιστοποίηση χαρτοφυλακίου υπό συνθήκες αβεβαιότητας, ενοποιώντας τρεις θεωρητικές κατευθύνσεις: την Ανθεκτική Βελτιστοποίηση (Robust Optimization), τη Θεωρία της Εντροπίας (Entropy-based Optimization) και τις Νευρωνικές Προσεγγίσεις Μάθησης (Neural-based Methods). Στόχος είναι η διαμόρφωση ενός ενιαίου, πληροφοριακά θεμελιωμένου πλαισίου, ικανού να εξισορροπεί την απόδοση, τη σταθερότητα και την ανθεκτικότητα των επενδυτικών στρατηγικών. Σε θεωρητικό επίπεδο, η εργασία προτείνει τη σύζευξη των εννοιών εντροπίας και ανθεκτικότητας ως δύο συμπληρωματικών μηχανισμών σταθεροποίησης της βελτιστοποίησης υπό αβεβαιότητα. Η εντροπία λειτουργεί ως μέτρο πληροφορικής κανονικοποίησης, ενώ η ανθεκτική προσέγγιση περιορίζει την επίδραση ακραίων αποκλίσεων. Τα νευρωνικά μοντέλα, τέλος, επεκτείνουν το πλαίσιο προς δυναμική προσαρμογή, μαθαίνοντας τα καθεστώτα της αγοράς χωρίς να προϋποθέτουν σταθερή κατανομή. Η εμπειρική ανάλυση βασίστηκε σε σειρά πειραμάτων με πραγματικά δεδομένα, εξετάζοντας την απόδοση, τη σταθερότητα, την ανθεκτικότητα και τη διαφοροποίηση των μοντέλων. Τα αποτελέσματα δείχνουν ότι οι Robust και Entropic προσεγγίσεις επιτυγχάνουν τη βέλτιστη ισορροπία μεταξύ υψηλής απόδοσης και σταθερότητας, ενώ οι Neural προσφέρουν προσαρμοστικότητα αλλά με αυξημένη μεταβλητότητα. Η ενοποίηση των τριών αυτών πεδίων οδηγεί στην έννοια της ενημερωμένης ανθεκτικότητας - ενός συστήματος που δεν απορρίπτει την αβεβαιότητα, αλλά τη μετατρέπει σε γνώση. Η μελέτη καταλήγει ότι το μέλλον της χρηματοοικονομικής βελτιστοποίησης πιθανότατα βρίσκεται όχι στη βελτίωση των στατικών υποδειγμάτων, αλλά στη δημιουργία δυνα- μικών, εξαρτώμενων από το καθεστώς και πληροφοριακά ανθεκτικών συστημάτων. Μέσα από τη σύνθεση της εντροπίας, της ανθεκτικότητας και της μάθησης, η έρευνα προτείνει ένα νέο παράδειγμα: ένα Entropic–Robust–Intelligent Framework, ικανό να προσαρμόζεται, να μαθαίνει και να εξελίσσεται μέσα στην αβεβαιότητα.	el
heal.advisorName	Λουλάκης, Μιχαήλ
heal.committeeMemberName	Παπαπαντολέων, Αντώνιος
heal.committeeMemberName	Φουσκάκης, Δημήτριος
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false