Forecasting S&P 500 sector ETFS returns : a machine learning approach to sector rotation

Paulino, João Carlos Marques

http://hdl.handle.net/10400.14/55692

Use this identifier to reference this record.

Name:	Description:	Size:	Format:
203972546.pdf		4.67 MB	Adobe PDF	Download

Send Feedback

Authors

Paulino, João Carlos Marques

Advisor(s)

Tran, Dan

Abstract(s)

This thesis develops a machine learning-based dynamic sector rotation strategy, sector ETFs are used as a representation of the United States 11 sectors and of the benchmark S&P500. We use a variety of machine learning models, including LASSO, XGBoost, and Random Forest, to forecast sector returns by utilizing financial market data, market sentiment metrics, currencies and macroeconomic indicators. The top and bottom-performing sectors are chosen to create long, short, and long-short strategies for portfolio construction based on these forecasts. Results show limited predictive power overall, but the strategies built offer modest improvements over the benchmark in certain market conditions.

Esta tese desenvolve uma estratégia de rotação dinâmica de setores baseada na aprendizagem automática. Os ETFs setoriais são utilizados como representação dos 11 setores dos Estados Unidos e do benchmark S&P 500. Utilizamos uma variedade de modelos de aprendizagem automática, incluindo o LASSO, o XGBoost e o Random Forest, para prever os retornos setoriais, utilizando dados do mercado financeiro, métricas de sentimento do mercado, mercado cambial e indicadores macroeconómicos. Os setores com melhor e pior desempenho são selecionados para criar estratégias de compra, venda e compra-venda para a construção de carteiras com base nestas previsões. Os resultados mostram um poder preditivo global limitado, mas as estratégias construídas oferecem melhorias modestas em relação ao benchmark em determinadas condições de mercado.