INTEGRATING FORWARD-LOOKING ANALYST-BASED SIGNALS INTO PORTFOLIO CONSTRUCTION
Author
Livinus, Stephanie Chioma
Term
4. semester
Publication year
2026
Submitted on
2026-05-31
Abstract
Europe’s shift to cleaner energy offers long-term growth prospects but is affected by short-term swings in interest rates, policy, and geopolitics. This thesis asks a practical question: can forward-looking information from analysts’ consensus target prices (what analysts think a share could be worth) improve on simple diversification when building a portfolio in this transforming sector? I test this in a long-only setting (buying, not shorting). Using 12 publicly listed European energy-transition companies from January 2017 to February 2026 (109 monthly observations), I build three portfolios: (1) an equal-weight benchmark that invests the same amount in all 12 firms; (2) a signal-ranked portfolio that each month selects the six firms with the highest analyst-implied upside and holds them in equal weights; and (3) a rank-weighted version that holds the same six but gives larger weights to higher-ranked names. Performance is assessed by average monthly return, volatility (standard deviation), return-to-volatility ratio (return per unit of risk), maximum drawdown (largest peak-to-trough fall), and win rate (share of positive months). I also compare results in calmer versus more turbulent market periods, defined using a rolling volatility measure of MSCI Europe returns. The findings are mixed. The signal-based portfolios deliver slightly higher average monthly returns than the equal-weight benchmark, suggesting that analyst target prices contain some forward-looking information. However, they also show substantially higher volatility and deeper drawdowns. As a result, risk-adjusted performance, measured by the return-to-volatility ratio, favors the equal-weight benchmark. The first hypothesis—that signal-based portfolios earn higher risk-adjusted returns—is not supported. The second hypothesis—that relative performance differs between high- and low-volatility periods—is partially supported descriptively but is not statistically significant.
Europas grønne omstilling rummer langsigtede vækstmuligheder, men præges samtidig af kortsigtede udsving drevet af renter, politiske ændringer og geopolitik. Afhandlingen stiller et praktisk spørgsmål: Kan fremadskuende information fra analytikernes konsensus-kursmål (et bud på, hvad en aktie kan være værd) forbedre en enkel spredning af investeringer i denne sektor? Jeg tester det i en long-only ramme (man køber aktier og shorter ikke). Med data for 12 børsnoterede europæiske selskaber inden for energiomstillingen fra januar 2017 til februar 2026 (109 månedlige observationer) konstruerer jeg tre porteføljer: (1) en ligevægtet benchmark, der investerer det samme beløb i alle 12 selskaber; (2) en signal-rangeret portefølje, der hver måned udvælger de seks selskaber med størst forventet opside ifølge analytikerne og holder dem i lige vægte; og (3) en rang-vægtet version, der holder de samme seks, men giver større vægt til højere rangerede aktier. Performance vurderes ud fra gennemsnitligt månedsafkast, volatilitet (standardafvigelse), afkast‑i‑forhold‑til‑volatilitet (afkast pr. risikoeenhed), maksimalt drawdown (største fald fra top til bund) og win rate (andel måneder med positivt afkast). Jeg sammenligner også resultater i rolige versus urolige markedsperioder, defineret ved en rullende volatilitetsmåling af MSCI Europe-afkast. Resultaterne er nuancerede. De signalbaserede porteføljer giver lidt højere gennemsnitlige månedsafkast end den ligevægtede benchmark, hvilket tyder på, at analytikernes kursmål rummer noget fremadskuende information. Men de har også væsentligt højere udsving og dybere fald. Derfor favoriserer risikokorrigeret performance, målt ved afkast‑i‑forhold‑til‑volatilitet, den ligevægtede benchmark. Den første hypotese—at signalbaserede porteføljer opnår højere risikokorrigerede afkast—understøttes ikke. Den anden hypotese—at den relative performance varierer mellem perioder med høj og lav volatilitet—er delvist understøttet beskrivende, men ikke statistisk signifikant.
[This apstract has been rewritten with the help of AI based on the project's original abstract]