Price prediction models for alternative investments

Abstract

Το αυξανόμενο ενδιαφέρον για εναλλακτικές επενδύσεις που προσφέρουν διαφοροποίηση και υψηλότερες αποδόσεις, καθοδηγείται από τους περιορισμούς των παραδοσιακών χρηματοπιστωτικών αγορών και τις εξελισσόμενες ανάγκες των σύγχρονων επενδυτών. Στην παρούσα διδακτορική διατριβή διερευνώνται οι μηχανισμοί μεταβολής των τιμών δύο τομέων εναλλακτικών επενδύσεων: των επενδύσεων με κριτήρια Περιβάλλοντος, Κοινωνίας και Διακυβέρνησης (Environmental, Social, and Governance – ESG), με έμφαση στις εισηγμένες εταιρείες που επιδεικνύουν περιβαλλοντική υπευθυνότητα, και των ψηφιακών περιουσιακών στοιχείων που βασίζονται στην τεχνολογία Blockchain, μέσα από ένα ενοποιημένο μεθοδολογικό πλαίσιο. Το πρώτο μέρος της διατριβής εξετάζει τις χρηματοοικονομικές επιπτώσεις της Εταιρικής Περιβαλλοντικής Υπευθυνότητας (Corporate Environmental Responsibility – CER) στις επιχειρήσεις του δείκτη S&P 500 κατά τη διάρκεια δεκαπέντε ετών. Αξιολογείται η επίδραση της περιβαλλοντικής επίδοσης στην αποτίμηση της αγοράς μέσω δεικτών προσαρμοσμένων στον κίνδυνο, οι οποίοι βασίζονται στο υπόδειγμα CAPM και στην υπόθεση της αποτελεσματικής αγοράς. Η ανάλυση, η οποία στηρίζεται σε τεχνικές παλινδρόμησης δεδομένων πάνελ, όπως οι εκτιμήσεις OLS και 3SLS, εισάγει την έννοια του «Πράσινου Premium» — ενός μετρήσιμου αντισταθμίσματος μεταξύ περιβαλλοντικής υπευθυνότητας και αποδόσεων των επενδυτών. Τα αποτελέσματα δείχνουν ότι, ενώ η CER συσχετίζεται θετικά με λειτουργικούς δείκτες, όπως οι πωλήσεις και τα κέρδη, η χρηματιστηριακή απόδοση παραμένει κατώτερη, γεγονός που υποδηλώνει ένα διαρκές μειονέκτημα για τις επιχειρήσεις με περιβαλλοντικό προσανατολισμό στα μάτια των επενδυτών. Το δεύτερο μέρος της διατριβής επικεντρώνεται στη χρηματοοικονομική διάσταση του Blockchain, παρέχοντας μια ολοκληρωμένη ανάλυση της συμπεριφοράς τιμών των Μη Εναλλάξιμων Διακριτικών (Non-Fungible Tokens – NFTs) μέσω σύγχρονων μεθόδων μηχανικής μάθησης. Δεδομένα που αντλήθηκαν απευθείας από πλατφόρμες Blockchain και μετασχηματίστηκαν μέσω προηγμένων τεχνικών μηχανικής χαρακτηριστικών, χρησιμοποιούνται για την αξιολόγηση της προβλεπτικής ικανότητας των μοντέλων Random Forest, XGBoost και Πολυεπίπεδου Αντιληπτή (Multilayer Perceptron). Το τελικό σύνολο δεδομένων προέκυψε από μια προηγμένη διαδικασία μετασχηματισμού χαρακτηριστικών, εμπλουτισμένη με σύνθεση χαρακτηριστικών βάσει εξειδικευμένης γνώσης και Deep Feature Synthesis, αναδιαμορφωμένο μέσω Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis – PCA) και βελτιστοποιημένο μέσω τεχνικών επιλογής χαρακτηριστικών για βέλτιστη ερμηνευσιμότητα και μείωση διαστασιμότητας. Από τα μοντέλα που εξετάστηκαν, το XGBoost παρουσίασε τη μεγαλύτερη ακρίβεια πρόβλεψης, με τα ιστορικά δεδομένα τιμών να αποτελούν τον πιο καθοριστικό παράγοντα πρόβλεψης. Συνολικά, τα δύο μέρη της διατριβής συμβάλλουν στη διεύρυνση της βιβλιογραφίας σχετικά με τις μη παραδοσιακές κατηγορίες επενδυτικών στοιχείων, μέσω της εφαρμογής ισχυρών αναλυτικών μεθόδων σε διαφορετικά επενδυτικά πεδία. Τα αποτελέσματα παρέχουν εξειδικευμένες γνώσεις σχετικά με τους παράγοντες που διαμορφώνουν την αξία των περιουσιακών στοιχείων και θεμελιώνουν ένα μεταβιβάσιμο μεθοδολογικό πλαίσιο για την πρόβλεψη τιμών περιουσιακών στοιχείων σε αναδυόμενες και ετερογενείς αγορές.