Applying Artificial Intelligence in Equity Selection: Facing the challenge to beat the S&P 500 index by applying machine learning on equity fundamental data

Jakob Biehl Kristoffersen

Studenteropgave: Kandidatafhandlinger

Abstrakt

Udvælgelse af aktier, og forudsigelse af deres prisudvikling, har længe været et diskuteret og forsket emne inden for adskillige akademiske områder. Igennem et empirisk studie undersøger denne afhandling, om man ved anvendelse af nogle af de mest moderne re-samplingsteknikker (som ADASYN) og klassifikationsalgoritmer (som Naive Bayes Classifier, Support Vector Machines, CART og Random Forest), baseret på fundamental data kan skabe værdi i udvælgelsen af aktierne i S&P 500 indekset. I afhandlingen præsenteres en `labelling'-metode til at adskille de 25% aktier, der hver måned har klaret sig bedre end andre i form af historiske risiko-justeret afkast. Kombineret med denne metode og klassifikationsalgoritmerne introducerer opgaven en træningsprotokol, der træner algorithmerne på et 5-års rullende datavindue til at forudsige en akties klassifikation en måned frem i tiden. På grundlag af algoritmernes forudsigelseskonfidens konstrueres en ligevægtet portefølje hver måned fra januar 1996 til august 2015. Af de undersøgte algoritmer konkluderes det, at Support Vector Machines med en 'true-positive-rate' på 57,9%, er bedst egnet til at finde de mønstre, der kan klassificere overperformende aktier på grundlag af de anvendte fundamentale tal. Som resultat af dette opnåede algoritmen et væsentligt årligt afkast på 16.9% og en Sharpe- og Sortino ratio på hhv. 0.84 og 1.42 ved at udvælge 15 aktier hver måned over de seneste 20 år. Opgaven konkluderer, at det er muligt at anvende maskinlæring til bedre at udvælge aktier end en tilfældig robot. Ydermere konkluderes det, at algoritmerne, anvendt i denne sammenhæng, kan skabe merværdi efter perioder med lavkonjunktur, hvor virksomheders regnskabstal har haft større ind ydelse på prisdannelsen i aktierne. Dette er især tilfældet i årene 2000-2003 efter IT-boblen. Afhandlingen belyser, at maskinlæring i en vis udstrækning kan være robust og værdiskabende i udvælgelse af aktier, men ikke nødvendigvis altid giver menneskelig forståelse nok til anvendelse i porteføljeforvaltning.

UddannelserCand.merc.mat Erhvervsøkonomi og Matematik, (Kandidatuddannelse) Afsluttende afhandling
SprogEngelsk
Udgivelsesdato2016
Antal sider89