Ένα από τα κυριότερα θέματα που απασχολούν σήμερα τους επενδυτές είναι η ανάγκη για αποτελεσματική αξιοποίηση επενδυτικών ευκαιριών που ανακύπτουν στις αγορές. Ωστόσο η πολυπλοκότητα και η αβεβαιότητα του χρηματοοικονομικού περιβάλλοντος αποτελούν τα μεγαλύτερα εμπόδια προς αυτή την κατεύθυνση. Μια λύση είναι η χρήση συστημάτων αυτοματοποιημένων συναλλαγών. Τα συστήματα αυτά συνδυάζουν τεχνικές και μεθοδολογίες από διάφορα επιστημονικά πεδία και με αυτοματοποιημένο τρόπο λαμβάνουν επενδυτικές αποφάσεις τόσο στο επίπεδο επιλογής βέλτιστου χαρτοφυλακίου, όσο και σε επίπεδο εντοπισμού επενδυτικών ευκαιριών. Η εργασία αυτή προτείνει ένα τέτοιο σύστημα που συνδυάζει τεχνικές από τα πεδία της στατιστικής και της τεχνητής νοημοσύνης. Στο επίπεδο της βελτιστοποίησης χαρτοφυλακίου, εφαρμόζεται στην χρονική περίοδο εκτίμησης ένα υβριδικό σύστημα αποτελούμενο από ένα Γενετικό Αλγόριθμο που επιλέγει τις μετοχές που θα αποτελέσουν το χαρτοφυλάκιο και από ένα αλγόριθμο μη γραμμικού προγραμματισμού (LMA) για τον υπολογισμό των ποσοστών επένδυσης. Στο επίπεδο της πρόβλεψης και ανίχνευσης επενδυτικών ευκαιριών, εφαρμόζεται στο επιλεγμένο χαρτοφυλάκιο στην χρονική περίοδο επένδυσης, ένας τεχνικός δείκτης (MACD) ο οποίος βασίζεται σε στατιστικά εργαλεία για να εντοπίσει θετικές και αρνητικές τάσεις. Προκειμένου να αξιολογηθεί η απόδοση του προτεινόμενου επενδυτικού συστήματος, υλοποιείται ένα σύνολο από εναλλακτικές στρατηγικές.
Nowadays, one crucial matter for financial decision makers is the effective exploitation of investment opportunities in the financial markets. However, the complex and quite uncertain environment poses certain difficulties regarding this aim. One solution to this issue is the use of automated trading systems (or algorithmic trading systems). One of their main characteristics is that they combine intelligent techniques from various fields (statistics, artificial intelligence etc.) in order to perform a certain task, with minor (if none at all) interference from the decision maker. One important advantage of algorithmic trading is its ability of performing composite tasks, such as forming a portfolio of assets, efficiently tracking long or short opportunities etc. The aim of this thesis is to introduce a type of algorithmic trading system, which combines principles from the field of Artificial Intelligence and Statistics. More specifically, a Genetic Algorithm is applied in order to find ‘optimal’ combination of assets, in the estimation interval. When the ‘fund’ (portfolio) is created, a technical indicator (MACD) based on statistics is implemented in order to detect long/short trends. In order to highlight the performance ability of the proposed trading scheme, a number of benchmarking trading strategies are implemented.
University of the Aegena
