Forecasting af finansielle aktiver

Forecasting of financial assets

Thomsen, Michael Linddal ; Pedersen, Alex Korsgaard

4. semester

Økonomi (cand.oecon), Kandidat

2020

2020-06-02

63

Dette speciale undersøger de praktiske udfordringer ved at forudsige finansielle aktiver ved at sammenligne en lineær økonometrisk model (ARIMA) med en ikke-lineær maskinlæringsmodel (LSTM). Den centrale problemstilling er, hvilken modeltype der præsterer bedst til at forecaste fem udvalgte aktier, og hvordan disse forecasts klarer sig i forskellige porteføljestrategier. Tilgangen omfatter rullende prognoser og evaluering med almindelige fejlmål (bl.a. RMSE og MAE) samt statistiske tests (bl.a. Pesaran–Timmermann, Anatolyev & Gerko og Diebold–Mariano). Derudover anvendes forecastene i porteføljesammenhænge via mean-variance-analyse for at vurdere investeringspotentialet. Resultaterne peger samlet set på, at LSTM outperformer ARIMA, med signifikante forskelle i fire ud af fem aktier. På trods af relativt lave succesrater for at forudsige korrekt retning, viser begge modeller mulighed for at slå en passiv portefølje i en mean-variance-ramme. Specialet konkluderer, at der er forskel på lineære og ikke-lineære modeller til aktieprognoser, og at LSTM generelt giver en fordel, om end usikkerheden i finansielle markeder består.

This thesis examines the practical challenges of forecasting financial assets by comparing a linear econometric model (ARIMA) with a nonlinear machine learning model (LSTM). The core research question is which model type performs best when forecasting five selected equities and how these forecasts translate into different portfolio strategies. The approach uses rolling forecasts and evaluates performance with common error metrics (including RMSE and MAE) and statistical tests (including Pesaran–Timmermann, Anatolyev & Gerko, and Diebold–Mariano). Forecasts are then embedded in portfolio settings via mean–variance analysis to assess investment potential. Overall, the results indicate that LSTM outperforms ARIMA, with significant differences in four out of five cases. Despite relatively low directional accuracy, both models show the ability to beat a passive portfolio within a mean–variance framework. The thesis concludes that linear and nonlinear models differ in forecasting equities, with LSTM generally offering an advantage, while market uncertainty remains.

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

Forecasting ; AI ; Machine Learning ; Aktiemarkedet

Download
Vis denne rapport i AAU Studenterprojekter