| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 868.8 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
In this dissertation the author will analyze whether supervised machine learning models namely Artificial Neural Networks, Support Vector Machines and Logistic Regressions can predict shifts in equity returns on a sector basis. Typically, in asset pricing linear factor models with a small number of variables are used. However, due to market efficiency, equity returns are highly influenced by unforecastable events making this task more challenging. Simple linear regressions also have difficulty incorporating a larger number of predictor variables, which the literature has accumulated over the decades, creating an opportunity for machine learning techniques. The Machine Learning models will be used to forecast whether the excess return of each equity sector over a period of one month will be positive or negative. Then using the model’s predictions capital will be allocated between the sectors and treasury bonds, building different portfolios namely an equal weighted, a value weighted portfolio. After all portfolios are built their performance will then be compared against the benchmark, namely the S&P500 index being back tested over a period of 25 years. The portfolios built using the forecasts from the ML models lead to an increase in absolute and risk-adjusted returns beating the benchmark. The implemented strategies were shown to protect investors against larger market declines, showing the potential of Machine Learning as an investment tool.
Nesta dissertação o autor vai analisar se os modelos de machine learning nomeadamente Redes Neurais Artificiais, Máquina de Vetores de Suporte e Regressões Logísticas, conseguem prever mudanças nos retornos dos vários setores de mercado. Tipicamente, na definição do preço de ativos, são usados modelos de fatores lineares com um pequeno número de variáveis. Contudo, devido á eficiência do mercado, os retornos de ações são influenciados por eventos imprevisíveis aumentando a complexidade do problema. As regressões lineares simples têm dificuldade em incorporar um número vasto de variáveis, que a literatura Financeira veio a acumular ao longo das décadas, criando uma oportunidade para técnicas de machine learning. Os modelos de Machine Learning serão utilizados para realizar previsões sobre se o retorno de excesso sobre o período de um mês será positivo ou negativo. Utilizando as previsões dos modelos, o capital será alocado entre os vários setores do mercado e obrigações de tesouraria, construindo diferentes portfolios. Estando os portfolios construídos a respetiva performance será avaliada e comparada contra o benchmark, nomeadamente o índice do S&P500, durante um período de 25 anos. Os portfolios contruídos usando as previsões dos modelos de ML levaram a um aumento de retornos absolutos e ajustados ao risco batendo o benchmark. As estratégias teriam protegido investidores contra quedas acentuadas do mercado, mostrando o potencial de Machine Learning como ferramenta de investimento.
Nesta dissertação o autor vai analisar se os modelos de machine learning nomeadamente Redes Neurais Artificiais, Máquina de Vetores de Suporte e Regressões Logísticas, conseguem prever mudanças nos retornos dos vários setores de mercado. Tipicamente, na definição do preço de ativos, são usados modelos de fatores lineares com um pequeno número de variáveis. Contudo, devido á eficiência do mercado, os retornos de ações são influenciados por eventos imprevisíveis aumentando a complexidade do problema. As regressões lineares simples têm dificuldade em incorporar um número vasto de variáveis, que a literatura Financeira veio a acumular ao longo das décadas, criando uma oportunidade para técnicas de machine learning. Os modelos de Machine Learning serão utilizados para realizar previsões sobre se o retorno de excesso sobre o período de um mês será positivo ou negativo. Utilizando as previsões dos modelos, o capital será alocado entre os vários setores do mercado e obrigações de tesouraria, construindo diferentes portfolios. Estando os portfolios construídos a respetiva performance será avaliada e comparada contra o benchmark, nomeadamente o índice do S&P500, durante um período de 25 anos. Os portfolios contruídos usando as previsões dos modelos de ML levaram a um aumento de retornos absolutos e ajustados ao risco batendo o benchmark. As estratégias teriam protegido investidores contra quedas acentuadas do mercado, mostrando o potencial de Machine Learning como ferramenta de investimento.
Descrição
Palavras-chave
Sector allocation Market timing Machine learning Logistic regressions Support vector machines Neural networks Alocação por setor Timing de mercado Regressão logística Máquina de vetores de suporte Redes neurais artificiais