LSTM-Model Forecasting af Vækstaktier
Forfatter
Lauritzen, Jimmi Nick
Semester
4. semester
Uddannelse
Udgivelsesår
2022
Afleveret
2022-01-10
Antal sider
72
Resumé
Dette speciale undersøger, om en Long Short-Term Memory (LSTM) model kan forudsige kursudviklingen for finansielle vækstaktier bedre end en traditionel lineær ARIMA-model. Tre vækstaktier fra forskellige sektorer analyseres med en ét-skridts-forudsigelsesstrategi på daglige data fra 2010 til 2020, hvor de første 8 år bruges til træning, efterfulgt af 1 år til validering og 1 år til forudsigelse. Begge modeller er univariate, og LSTM testes i to varianter med sekvenslængder på 5 og 10 dage. Modellerne evalueres med RMSE, MAPE og Diebold–Mariano-testen. Resultaterne viser, at LSTM generelt opnår lavere prognosefejl end ARIMA, og at 10-dages LSTM-varianten præsterer bedre end 5-dages varianten. På trods af disse positive fund peger specialet på, at begge modeller kræver yderligere forbedringer, før de kan anses som praktisk anvendelige i virkelige investeringssammenhænge.
This thesis examines whether a Long Short-Term Memory (LSTM) model can forecast the prices of financial growth stocks more effectively than a traditional linear ARIMA model. Three growth stocks from different sectors are analyzed using a one-step-ahead approach on daily data from 2010 to 2020, with the first 8 years for training, followed by 1 year for validation and 1 year for forecasting. Both models are univariate, and two LSTM variants with 5- and 10-day sequence lengths are tested. Performance is assessed using RMSE, MAPE, and the Diebold–Mariano test. The results indicate that LSTM generally achieves lower forecast errors than ARIMA, and the 10-day LSTM variant outperforms the 5-day version. Despite these encouraging findings, the thesis concludes that both models need further refinement before they are suitable for real-world investment use.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]
Emneord
LSTM ; Forecasting ; Aktier ; ARIMA ; Machine Learning