Aktiemodellering
Oversat titel
Stockmodelling
Forfatter
Kongensgaard, Kasper Rønde
Semester
4. semester
Uddannelse
Udgivelsesår
2021
Afleveret
2021-06-04
Antal sider
88
Resumé
Specialet undersøger, om og hvordan aktiekurser kan modelleres og forudsiges, samt hvilke metoder der kan skabe højst profit. Med udgangspunkt i S&P 500 anvendes seks modeller, der spænder fra klassiske tilgange til maskinlæring: en Fama–French-baseret fundamentalmodel, en ARIMA-tidsseriemodel, dybe neurale netværk (RNN/LSTM) og en tekstbaseret model, der udvider prisdata med 180 ordtræk udledt af ca. 800.000 Wall Street Journal-artikler. Data modelleres i perioden 2001–2015 og forudsiges frem til 2021, hvorefter modellerne sammenlignes på tværs af prognoseegenskaber og profitabilitet. Resultaterne peger på, at ARIMA ikke kan modellere prisen tilfredsstillende, hverken i træning eller forecast, mens RNN- og Fama–French-modellerne giver gode forudsigelser. En efterfølgende profitabilitetsanalyse viser overskud i fem ud af seks modeller fra 2015 til 2021, hvilket udfordrer en streng fortolkning af den efficiente markedshypotese. Afslutningsvis vurderes det, at sådanne modeller kan bidrage til at forudsige aktiebevægelser, hvis de anvendes med omtanke, men de kan ikke stå alene.
This thesis examines whether and how stock prices can be modeled and predicted, and which approaches yield the highest profitability. Using the S&P 500, six models are evaluated across traditional and machine learning methods: a Fama–French-based fundamental model, an ARIMA time-series model, deep neural networks (RNN/LSTM), and a text-based model that augments price data with 180 word features extracted from approximately 800,000 Wall Street Journal articles. Data are modeled for 2001–2015 and forecast through 2021, followed by a comparative assessment of forecasting performance and profitability. The results indicate that ARIMA fails to model prices satisfactorily in both training and forecasting, while the RNN and Fama–French models produce strong forecasts. A subsequent profitability analysis shows profits in five of the six models from 2015 to 2021, challenging a strict interpretation of the efficient market hypothesis. The thesis concludes that such models can aid in predicting stock movements when used carefully, but they should not be relied upon in isolation.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]
Emneord