| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The present thesis analyzes whether shifts in the direction of the stock market can be predicted by supervised learning algorithms and aims to contribute to the emerging literature on the use of machine learning in finance. Previous findings on the feasibility of market timing strategies vary. Many proposed strategies fail to predict market movements consistently enough to beat the returns achieved by buy-and-hold investors. While most market timing strategies are based on standard econometric models, research on the market timing ability of machine learning techniques remains in its infancy.
In this thesis, logistic regressions, artificial neural networks, and support vector machines were used to predict whether the excess return of the S&P 500 is positive or negative over time horizons of one week, two weeks, and one month. Based on the predictions, market timing strategies that allocate capital between stocks and a risk-free asset were developed and subsequently backtested over a 23-year period.
The results indicate that the proposed strategies outperform various buy-and-hold portfolios, even after transaction costs are deducted. Forecasts over the two-week and one-month horizons were significantly more accurate than predictions over the one-week horizon. A timing strategy based on a hybrid model that combines different algorithms outperformed all other models in terms of risk-adjusted returns. The findings suggest that, contrary to the prevailing view, shifts in the stock market are in fact predictable.
A seguinte tese, pretende estudar se mudanças no mercado de ações podem ser explicadas por algoritmos “inteligentes” supervisionados; pretende também contribuir para a atual literatura que se debruça sobre o uso de Machine Learning na área financeira. Estudos anteriores, sobre a relevância de estratégias de market timing não apontam para um resultado singular. Alguns autores propõem que este tipo de estratégias falham em prever de forma robusta movimentos no mercado de ações e não superam estratégias de comprar e manter posição. Enquanto as estratégias de market timing têm como base modelos econométricos que são estandardizados, estudos sobre a eficiência de market timing usados em Machine Learning são raros e em fase embrionária de estudo. Nesta tese, foram usadas regressões logísticas, redes neurais artificiais e máquinas de vetores de suporte de forma a perceber se o retorno excedente do S&P 500 é positivo ou negativo, durante os seguintes intervalos de tempo: uma semana, duas semanas e um mês. As previsões acima descritas, estratégias com base em market timing, que alocam capital entre ações e bens com risco neutro foram desenvolvidas e depois usadas em backtesting durante um período de 23 anos. Os resultados obtidos apontam para que as estratégias propostas superam estratégias de comprar e manter posição, mesmo após dedução de custos de transação. As previsões, usando uma semana foram as menos robustas. A estratégia com base em timing, estruturada num sistema híbrido, que combina diferentes algoritmos, superou todos os modelos usados em temos de retornos com risco ajustado.
A seguinte tese, pretende estudar se mudanças no mercado de ações podem ser explicadas por algoritmos “inteligentes” supervisionados; pretende também contribuir para a atual literatura que se debruça sobre o uso de Machine Learning na área financeira. Estudos anteriores, sobre a relevância de estratégias de market timing não apontam para um resultado singular. Alguns autores propõem que este tipo de estratégias falham em prever de forma robusta movimentos no mercado de ações e não superam estratégias de comprar e manter posição. Enquanto as estratégias de market timing têm como base modelos econométricos que são estandardizados, estudos sobre a eficiência de market timing usados em Machine Learning são raros e em fase embrionária de estudo. Nesta tese, foram usadas regressões logísticas, redes neurais artificiais e máquinas de vetores de suporte de forma a perceber se o retorno excedente do S&P 500 é positivo ou negativo, durante os seguintes intervalos de tempo: uma semana, duas semanas e um mês. As previsões acima descritas, estratégias com base em market timing, que alocam capital entre ações e bens com risco neutro foram desenvolvidas e depois usadas em backtesting durante um período de 23 anos. Os resultados obtidos apontam para que as estratégias propostas superam estratégias de comprar e manter posição, mesmo após dedução de custos de transação. As previsões, usando uma semana foram as menos robustas. A estratégia com base em timing, estruturada num sistema híbrido, que combina diferentes algoritmos, superou todos os modelos usados em temos de retornos com risco ajustado.
Descrição
Palavras-chave
Market timing Machine learning Quantitative finance