Βελτιστοποίηση χαρτοφυλακίου: Harry Markowitz και σύγχρονες θεωρίες χαρτοφυλακίου

Abstract

Η παρούσα διπλωματική εργασία διερευνά τη Σύγχρονη Θεωρία Χαρτοφυλακίου (Modern Portfolio Theory - MPT) του Harry Markowitz (1952) και τη συμβολή της στη δημιουργία επιστημονικής βάσης για τη βελτιστοποίηση επενδυτικών αποφάσεων. Η θεωρία του Markowitz αποτέλεσε τομή στην κατανόηση του επενδυτικού κινδύνου, εισάγοντας μια ποσοτική προσέγγιση για τη διαμόρφωση βέλτιστων χαρτοφυλακίων.Αρχικά, αναλύονται οι βασικές αρχές της MPT, όπως η διαφοροποίηση, το αποτελεσματικό σύνορο και η σχέση κινδύνου-απόδοσης, μαζί με τους περιορισμούς της θεωρίας, όπως η εξάρτηση από ιστορικά δεδομένα και η υπόθεση κανονικής κατανομής των αποδόσεων. Ακολουθεί η παρουσίαση νεότερων μοντέλων που επεκτείνουν ή βελτιώνουν την MPT, όπως το Capital Asset Pricing Model (CAPM) και το μοντέλο Black-Litterman, το οποίο συνδυάζει αντικειμενικά δεδομένα της αγοράς με υποκειμενικές επενδυτικές απόψεις, προσφέροντας μεγαλύτερη ευελιξία και καλύτερη διαχείριση κινδύνου.Σε επόμενο στάδιο, η εργασία προχωρά σε εισαγωγή και αξιολόγηση μεθόδων βελτιστοποίησης χαρτοφυλακίου με τη χρήση τεχνικών μηχανικής μάθησης (Machine Learning). Συγκεκριμένα, εξετάζονται αλγόριθμοι όπως η Lasso Regression, τα Random Forests και τα Neural Networks, ως μέσα για την πρόβλεψη αποδόσεων και την προσαρμοστική διαχείριση χαρτοφυλακίων υπό μη γραμμικές και μεταβαλλόμενες συνθήκες αγοράς. Η χρήση ML μοντέλων αντιμετωπίζει ορισμένες από τις αδυναμίες των παραδοσιακών θεωριών, προσφέροντας δυναμική προσαρμογή και καλύτερη γενίκευση σε πραγματικά δεδομένα.Η εργασία περιλαμβάνει συγκριτική ανάλυση των αποδόσεων χαρτοφυλακίων που βασίζονται σε MPT, CAPM, Black-Litterman και ML, υπό διάφορα σενάρια αγοράς. Μέσα από πρακτικές εφαρμογές και ερμηνεία αποτελεσμάτων, αναδεικνύεται η σημασία της ενσωμάτωσης υπολογιστικών μεθόδων στη σύγχρονη επενδυτική πρακτική.Τέλος, η εργασία προσφέρει μια σφαιρική και διαχρονική προσέγγιση στη θεωρία χαρτοφυλακίου, υπογραμμίζοντας την εξέλιξή της και τη σχετικότητα των νέων τεχνολογιών στην κατανόηση και τη βελτιστοποίηση χρηματοοικονομικών αποφάσεων στον 21ο αιώνα.This thesis explores the Modern Portfolio Theory (MPT) developed by Harry Markowitz in 1952 and its contribution to creating a scientific basis for optimizing investment decisions. Markowitz’s theory marked a turning point in the understanding of investment risk, introducing a quantitative approach to constructing optimal portfolios. Initially, the fundamental principles of MPT are analyzed—such as diversification, the efficient frontier, and the risk-return relationship—along with its limitations, including reliance on historical data and the assumption of normally distributed returns.The analysis then extends to more recent models that expand or improve upon MPT, including the Capital Asset Pricing Model (CAPM) and the Black-Litterman model. The latter combines objective market data with subjective investor views, offering greater flexibility and improved risk management. Subsequently, the thesis introduces and evaluates portfolio optimization methods using Machine Learning (ML) techniques. It specifically examines algorithms such as Lasso Regression, Random Forests, and Neural Networks as tools for forecasting returns and adaptive portfolio management under nonlinear and changing market conditions. The use of ML models addresses some of the shortcomings of traditional theories, offering dynamic adjustment and better generalization to real-world data. The thesis includes a comparative analysis of portfolio performances based on MPT, CAPM, Black-Litterman, and ML approaches under various market scenarios. Through practical applications and interpretation of results, the importance of integrating computational methods into modern investment practice is highlighted. Finally, the study provides a comprehensive and forward-looking perspective on portfolio theory, emphasizing its evolution and the relevance of new technologies in understanding and optimizing financial decision-making in the 21st century.