Har maskinlæringsteknikker bra prediksjonsevne på nordiske indekser?

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.