Forecasting af aktieafkast: En komparativ analyse af lineære og ikke-lineære modellers evne til at forecaste aktieafkast ud fra statistisk og profitabilitet

Forecasting of stock return

Schøn, Kristoffer ; Viken, Emil Færgemann

4. semester

Økonomi (cand.oecon), Kandidat

2018

2018-05-31

90

Afhandlingen undersøger, om aktieafkast kan forudsiges ved at sammenligne lineære Box–Jenkins-baserede modeller med ikke‑lineære kunstige neurale netværk og ved at afprøve, om kombinationer af deres forecasts kan forbedre resultaterne. Analysen fokuserer på S&P 500-indekset med én‑trins‑forudsigelser og bruger data fra 2007 til 2017 i to markedsregimer: en bull-periode (in-sample 2014–2017, out-of-sample 2017) og en bear-periode omkring finanskrisen (in-sample 2007–2008, out-of-sample resten af 2008). Forudsigelserne vurderes på daglige, ugentlige og månedlige afkast med både statistiske mål (f.eks. RMSE, MAE, Diebold–Mariano, Mincer–Zarnowitz og retningspræcision) og mål for økonomisk værdi (bl.a. algoritmehandel med transaktionsomkostninger, Sharpe-ratio, Henriksson–Merton, Pesaran–Timmermann og MRAR). Resultaterne peger på, at de ikke‑lineære modeller generelt præsterer bedre end de lineære, især i bull-markedet, og at neurale netværk leverer særligt gode profitabilitetsresultater for månedlige afkast. Den manglende normalfordeling i data kan medvirke til svagere præstationer for lineære modeller. I bear-markedet er billedet mere blandet, men i tre ud af fem tilfælde vælges en kombinationsmodel som den bedste, hvilket indikerer, at lineære modeller stadig fanger nyttige strukturer, der kan udnyttes i samspil med ikke‑lineære metoder.

This thesis examines whether stock returns can be forecast by comparing linear Box–Jenkins models with nonlinear artificial neural networks and by testing whether combining their forecasts improves performance. We study the S&P 500 index using one‑step‑ahead predictions and data from 2007 to 2017 across two market regimes: a bull market (in‑sample 2014–2017, out‑of‑sample 2017) and a bear market around the 2008 financial crisis (in‑sample 2007–2008, out‑of‑sample the remainder of 2008). Forecasts are evaluated for daily, weekly, and monthly returns using statistical accuracy measures (e.g., RMSE, MAE, Diebold–Mariano, Mincer–Zarnowitz, and directional accuracy) and measures of economic value (including algorithmic trading with transaction costs, Sharpe ratio, Henriksson–Merton, Pesaran–Timmermann, and MRAR). The results indicate that nonlinear models generally outperform linear ones, especially in the bull market, and that neural networks deliver particularly strong profitability for monthly returns. The non‑normal distribution of the data may help explain weaker performance by linear models. In the bear market, findings are more mixed, yet in three out of five cases a combination model is selected as best, suggesting that linear models still capture useful structure that can be exploited alongside nonlinear methods.

[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]

Forecasting

Download
Vis denne rapport i AAU Studenterprojekter