Publication
Forecasting S&P 500 sector ETFS returns : a machine learning approach to sector rotation
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 08:Trabalho Digno e Crescimento Económico | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Tran, Dan | |
| dc.contributor.author | Paulino, João Carlos Marques | |
| dc.date.accessioned | 2025-11-24T11:04:06Z | |
| dc.date.available | 2025-11-24T11:04:06Z | |
| dc.date.issued | 2025-06-23 | |
| dc.date.submitted | 2025-06-01 | |
| dc.description.abstract | 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. | eng |
| dc.description.abstract | 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. | por |
| dc.identifier.tid | 203972546 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/55692 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Exchange-traded funds (ETFs) | |
| dc.subject | Feature importance | |
| dc.subject | Importância das variavéis | |
| dc.subject | Previsão de retornos | |
| dc.subject | Returns prediction | |
| dc.subject | Rotação de setores | |
| dc.subject | Sector rotations | |
| dc.title | Forecasting S&P 500 sector ETFS returns : a machine learning approach to sector rotation | eng |
| dc.title.alternative | Previsão dos retornos dos ETFS setoriais do S&P 500 : uma abordagem de machine learning para a rotação de setores | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Finanças |
Files
Original bundle
1 - 1 of 1