Machine Learning og Tværsnittet af Skandinaviske Aktiemarkedsafkast
Oversat titel
Machine Learning and the Cross-Section of Scandinavian Stock Market Returns
Forfatter
Rom, Emilie Krogsgård
Semester
4. semester
Uddannelse
Udgivelsesår
2023
Resumé
Specialet undersøger, om maskinlæringsmetoder som random forest og gradient boosting forbedrer forudsigelsen af aktieafkast på tværs af selskaber sammenlignet med traditionel OLS‑regression (almindelig mindste kvadraters regression). Tværsnitsforudsigelse betyder her at forudsige, hvilke aktier der klarer sig bedre end andre i samme periode. Analysen afviger fra meget af den eksisterende litteratur ved at: (1) mindske USA‑bias ved at fokusere på skandinaviske aktier, (2) bruge færre forklarende variabler for en fair, lige‑for‑lige sammenligning, og (3) udelukke mikrocap‑aktier (meget små selskaber). Resultatet er overraskende: OLS giver den bedste forudsigelsesevne og omsættes til højere økonomisk lønsomhed end de testede maskinlæringsmetoder. Forskellen til gradient boosting er dog kun lille, og alle tre porteføljer opnår signifikante Sharpe‑ratioer (risikokorrigerede afkastmål). Mulige forklaringer på maskinlæringens underpræstation er begrænset datamængde og risiko for over‑ eller underfitting. Der er moderat støtte til resultaterne, når man tager metodevalgene (1–3) i betragtning og ser tidligere resultater i litteraturen med et kritisk blik.
This thesis tests whether machine learning methods such as random forest and gradient boosting improve the forecasting of stock returns across firms compared with traditional OLS regression (ordinary least squares). Cross‑sectional forecasting here means predicting which stocks will outperform others within the same period. The study departs from much of the prior literature by: (1) addressing the U.S. focus by analyzing Scandinavian stocks, (2) using fewer explanatory variables to enable a like‑for‑like comparison, and (3) excluding micro‑cap stocks (very small companies). The findings are surprising: OLS delivers the strongest predictive performance and translates into higher economic profitability than the tested machine learning methods. The edge over gradient boosting is only marginal, and all three portfolios achieve significant Sharpe ratios (risk‑adjusted return measures). Possible reasons for the underperformance of machine learning include limited sample size and risks of overfitting or underfitting. There is moderate support for the results when the study’s methodological choices (1–3) are considered and when existing findings in the literature are viewed with a critical lens.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]