Forecasting af finansielle aktiver med henblik på at fremme den bæredygtige omstilling

Financial asset forecasting to drive the sustainable transition

Brinkholm, Cecilie Meier ; Fabrin, Cecilie Kirk ; Kristiansen, Jakob Slott

4. semester

Økonomi (cand.oecon), Kandidat

2023

2023-06-01

68

Efterhånden som investering med fokus på miljø, sociale forhold og virksomhedsledelse (ESG) vinder frem, får investorer brug for pålidelige værktøjer til at forudsige afkast og sammensætte porteføljer. Dette speciale sammenligner to prognosemetoder - ARIMA, en klassisk tidsrækkemodel for tendenser og cykler, og LSTM, et neuralt netværk der kan lære ikke-lineære mønstre og langvarige afhængigheder - anvendt på højt ratede ESG-aktier fra S&P 500. Vi vurderer forudsigelsesnøjagtighed og hvordan hver metode understøtter porteføljesammensætning via middel-varians-optimering, med sammenligning mod S&P 500 og enklere investeringsstrategier. Resultaterne viser, at ARIMA er effektiv til at fange kortsigtede udsving, mens LSTM bedre fanger komplekse, ikke-lineære sammenhænge over længere tid. Begge modeller er anvendelige til ESG-prognoser og hjælper med at vurdere deres betydning for balancen mellem risiko og afkast. I vores analyser opnåede porteføljer baseret på disse prognoser og optimeret med en middel-varians-tilgang højere afkast end S&P 500-benchmarken, samtidig med konkurrencedygtige risiko/afkast-profiler. Disse indsigter kan hjælpe praktikere med at integrere ESG-aktiver i porteføljestyring uden at give køb på performance.

As environmental, social, and governance (ESG) investing gains traction, investors need reliable tools to forecast returns and build portfolios. This thesis compares two forecasting approaches - ARIMA, a classical time-series model for trends and cycles, and LSTM, a neural network that can learn non-linear patterns and long-term dependencies - applied to highly rated ESG stocks from the S&P 500. We evaluate prediction accuracy and how each model supports portfolio construction using mean-variance optimization, benchmarking against the S&P 500 and simpler investment strategies. The results show that ARIMA is effective at capturing short-term fluctuations, while LSTM better captures complex, non-linear relationships over longer horizons. Both models are applicable to ESG forecasting and help assess their role in risk-return trade-offs. In our tests, portfolios built from these forecasts and optimized with a mean-variance framework achieved profits above the S&P 500 benchmark while maintaining competitive risk-return profiles. These findings can help practitioners integrate ESG assets into portfolio management without sacrificing performance.

[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]

Forecasting ; Porteføljeteori ; Mean-variance ; LSTM ; ARIMA ; ESG

Download
Vis denne rapport i AAU Studenterprojekter