Har maskinlæringsteknikker bra prediksjonsevne på nordiske indekser?
Permanent link
https://hdl.handle.net/10037/35353Date
2024-06-01Type
Master thesisMastergradsoppgave
Abstract
Denne masteroppgaven undersøker hvorvidt maskinlæring kan utkonkurrere kjøp-og-hold-strategier i de nordiske aksjemarkedene. Arbeidet omfatter en komparativ studie av forskjellige maskinlæringsteknikker brukt til å forutsi aksjemarkedsbevegelser. Problemstillingen er: "Har maskinlæringsteknikker en god prediksjonsevne på nordiske aksjeindekser med lengre intervaller?"
Random forest, kunstige nevrale nettverk, support vector machine og en kombinasjonsmodell ble anvendt for å predikere retningen på de nordiske markedene som omfatter Norge (OBX 25), Sverige (OMXS30), Danmark (OMXC25) og Finland (OMXH25). Modellenes ytelse ble evaluert ved hjelp av portefølje-backtesting målt opp mot en kjøp-og-hold-strategi.
Studien viste at prediksjonsevnen til maskinlæringsteknikkene varierte mellom de ulike markedene. Random forest oppnådde best avkastning i det norske markedet med en positiv informasjonsrate, mens nevrale nettverk presterte best i den finske indeksen. Kombinerte modeller hadde generelt jevnere ytelse enn enkeltstående modeller, på tvers av indeksene i Norge, Sverige og Finland. For den danske indeksen klarte ingen av maskinlæringsmodellene å overgå kjøp-og-hold-strategien, noe som kan skyldes kompleksiteten og volatiliteten av mindre markeder.
Resultatene antyder at modeller som tar en mer optimistisk tilnærming til prediksjoner av oppgang, har vært mest vellykkede i perioder med økonomisk vekst. Oppgaven konkluderer med at maskinlæringsteknikkene random forest, kunstige nevrale nettverk og support vector machine har en variabel prediksjonsevne over lengre tidsintervaller i nordiske aksjeindekser. Prediksjonsmodellene viste seg mest effektive når de primært forutså markedsoppgang. Modellene som kombinerte flere metoder, viste seg å være mer stabile og pålitelige i sine prediksjoner sammenlignet med enkeltstående modeller. Funnene indikerer at videre forskning bør fokusere på modelljustering og dybdeanalyse av markedsdynamikk for å forbedre prediksjonsnøyaktigheten ytterligere.
Publisher
UiT Norges arktiske universitetUiT The Arctic University of Norway
Metadata
Show full item recordCollections
Copyright 2024 The Author(s)
The following license file are associated with this item: