LSTM-model forecast af aktiekurser til porteføljesammensætning
Oversat titel
LSTM Model Forecast of Stock Prices for Portfolio Construction
Forfattere
Mazur, Jonas Høst ; Christensen, Steffen Suwan ; Ahlmann-Laursen, Asger
Semester
4. semester
Uddannelse
Udgivelsesår
2021
Afleveret
2021-06-04
Resumé
Vi undersøgte, om dyb læring kan hjælpe med at forudsige aktieafkast under Covid-19-pandemien. Vi byggede flere Long Short-Term Memory (LSTM) neurale netværk—en model til sekvensdata—for at forudsige ugentlige afkast for ti aktier. For hver aktie testede vi tre opsætninger: To brugte 5-minutters prisdata samlet i sekvenser på 3 eller 5 handelsdage; den tredje brugte daglige lukkekurser i sekvenser på 90 handelsdage. Vi lavede out-of-sample prognoser (baseret på data, modellerne ikke havde set) og vurderede deres praktiske værdi for investorer. Mere specifikt indgik afkastprognoserne i en mean-variance-optimering (MVO) til at sammensætte porteføljer for en risikoavers investor, og vi forudsagde varians-kovarians-matricen for de ti aktier med en simpel DCC-GARCH-model. Alle input til porteføljerne var baseret på out-of-sample testdata. I denne ramme gav LSTM-baserede prognoser ikke en signifikant økonomisk gevinst i forhold til en naiv prognose i out-of-sample-perioden.
We examined whether deep learning could help forecast stock returns during the Covid-19 pandemic. We built several Long Short-Term Memory (LSTM) neural networks—a model designed for sequence data—to predict weekly returns for ten stocks. For each stock, we tested three setups: two used 5-minute price data grouped into sequences covering 3 or 5 trading days; the third used daily closing prices in sequences of 90 trading days. We produced out-of-sample forecasts (using data the models had not seen) and assessed their practical value to investors. Specifically, we fed the return forecasts into a mean–variance optimization (MVO) to build portfolios for a risk-averse investor, and we forecasted the variance–covariance matrix of the ten stocks with a simple DCC-GARCH model. All portfolio inputs were based on out-of-sample test data. In this setting, the LSTM-based forecasts did not deliver a significant economic gain over a naive forecast during the out-of-sample period.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]