DeepInvest: Ένα καινοτόμο εργαλείο διαχείρισης χαρτοφυλακίων

Η πρόβλεψη κινητών χρηματιστηριακών αξιών και η δημιουργία βέλτιστου χαρτοφυλακίου αποτελούν θέματα εξαιρετικού ενδιαφέροντος τόσο σε ερευνητικό όσο και πρακτικό επίπεδο. Αφενός, η πολυπλοκότητα του χρηματιστηριακού περιβάλλοντος και αφετέρου οι δυνατότητες κέρδους που προσφέρονται έχουν μαγνητίσει το ενδιαφέρον για τεχνικές πρόβλεψης κινητών αξιών και την υλοποίηση αυτοματοποιημένων στρατηγικών συναλλαγών.

Το έργο DeepInvest στοχεύει στην ανάπτυξη καινοτόμων μοντέλων μηχανικής και βαθιάς μάθησης για τη δημιουργία πραγματικών χαρτοφυλακίων και την εφαρμογή τους σε πραγματικές συνθήκες. Για τον σκοπό αυτό το έργο περιλαμβάνει έρευνα και παράλληλη ανάπτυξη “πρακτικών” εργαλείων πρόβλεψης τιμών και διαμόρφωσης πρότυπων χαρτοφυλακίων που θα οδηγήσουν σε:

• Καινοτόμα μοντέλα μηχανικής και βαθιάς μάθησης, τα οποία θα επιτρέψουν αποτελεσματικότερη και γρηγορότερη (σε σχέση με την υπάρχουσα βιβλιογραφία) εκτίμηση μελλοντικών τιμών μετοχών, στηριζόμενα σε πρόσφατες εξελίξεις στο χώρο των νευρωνικών δικτύων.
• Λογισμικό αυτόματης διαμόρφωσης, αναδιαμόρφωσης και διαχείρισης χαρτοφυλακίου, το οποίο θα απευθύνεται σε επενδυτές και επενδυτικές εταιρείες και θα είναι προσαρμοσμένο στο επενδυτικό προφίλ κάθε επενδυτή, αναφορικά με το ρίσκο και τις προσωπικές του προτιμήσεις και στόχους.

Η αυτοματοποιημένη διαχείριση θα υποκαταστήσει εν μέρει τη διαχείριση από ανθρώπους, θα είναι γρηγορότερη και εξατομικευμένη με λιγότερο κόστος. Έχει σημασία να σημειώσουμε ότι η υποκατάσταση αναφέρεται στην ταχύτητα με την οποία διαμορφώνονται τα προτεινόμενα χαρτοφυλάκια, επιτρέποντας στο σύμβουλο να εξηγήσει τους στόχους και τα ιδιαίτερα χαρακτηριστικά του καθενός από αυτά.

Το έργο DeepInvest είναι ένα επιδοτούμενο από το ΕΣΠΑ έργο, διάρκειας 30 μηνών. Για την ολοκλήρωσή του συνεργάζονται 3 έμπειροι φορείς από την Ελλάδα, και συγκεκριμένα το ΕΚΕΤΑ, το Πανεπιστήμιο Μακεδονίας και η EFFECT SA Fintech Software Solutions. Για την αποδοτική πρόβλεψη τιμών μετοχών και τη διαμόρφωση κατάλληλων χαρτοφυλακίων θα διερευνηθούν και θα υλοποιηθούν οι ακόλουθες τεχνικές:

• Νευρωνικά δίκτυα βασισμένα σε μονάδες LSTM (long short-term memory) για την πρόβλεψη των αποδόσεων των κινητών αξιών στη μονάδα του χρόνου.
• Διερεύνηση τεχνικών “sequence-to-sequence”, όπου θα υλοποιηθούν δύο LSTM νευρωνικά δίκτυα, με το ένα να χειρίζεται  την φάση της κωδικοποίησης (encoding) και το άλλο τη φάση της αποκωδικοποίησης (decoding).
• Διερεύνηση πιθανών ασύμμετρων συναρτήσεων απώλειας για την εκμετάλλευση “περισσότερης” από την πληροφορία της προς πρόβλεψη χρονοσειράς, ενσωματώνοντας και το πρόσημο και το μέγεθος της απόκλισης της προβλεπόμενης απόδοσης από την πραγματική.
• ∆ιερεύνηση της πρόσφατα προταθείσας τεχνικής “attention” κατά τη διάρκεια εκπαίδευσης των νευρωνικών δικτύων, ώστε αυτά να εκμεταλλεύονται μεγαλύτερο μέρος της χρονοσειράς εισόδου, με διαφορετικό βάρος εστίασης σε διαφορετικά δείγματα αυτής.
• Υλοποίηση τεχνικών βελτιστοποίησης με τη χρήση των αναμενόμενων αποδόσεων πρότυπων χαρτοφυλακίων (σύμφωνα με τα διαφορετικά επίπεδα κινδύνου), με σκοπό τον προσδιορισμό της ποσότητας (“βάρη”) αγοράς κάθε κινητής αξίας.

Για περισσότερες πληροφορίες επισκεφτείτε την ιστοσελίδα του έργου.