Využití strojového učení při odhadu rizikové prémie kapitálového trhu

Michal Hýsek

Master's thesis

Usage of machine learning to estimate equity risk premium

Abstract:

Tato diplomová práce se zabývá možností predikce rizikové prémie kapitálového trhu pomocí pokročilého modelu strojového učení. Cílem této práce bylo vytvořit predikční model na bázi strojového učení a odhadnout implikovanou rizikovou prémii kapitálového trhu v USA vycházející z FCFE modelu profesora Damodarana (2024) na horizontu jednoho roku. Výsledná predikce je potom porovnána se skutečnou implikovanou rizikovou prémií zveřejněnou Damodaranem (2024) a dále s predikcí pomocí modelu ARIMA a použitím historické rizikové prémie, která bývá považována za nejlepší odhad budoucího vývoje. Výsledky této práce ukazují, že vhodně konfigurovaný model strojového učení poskytuje lepší odhad budoucí rizikové prémie kapitálového trhu oproti historické rizikové prémii i modelu ARIMA. Cenou za tuto přesnost je nízká vysvětlitelnost této predikce v porovnání s modelem ARIMA. Závěr práce je věnován shrnutí dosažených výsledků a formulaci závěrů o reálné použitelnosti vytvořeného modelu.

Abstract:

This thesis examines the possibility of predicting the equity risk premium using an advanced machine learning model. The objective of this thesis was to develop a machine learning-based prediction model and estimate the implied risk premium of the US capital market based on Professor Damodaran's FCFE model (2024) over a one-year horizon. The final prediction is compared with the actual implied risk premium published by Damodaran (2024) and then with the prediction using the ARIMA model and the historical risk premium, which is often considered to be the best estimate of future developments. The results of this thesis show that a suitably configured machine learning model provides a better estimate of the future equity risk premium compared to both the historical risk premium and the ARIMA model. The price for this accuracy is the low explainability of this prediction compared to the ARIMA model. Finally, the thesis is devoted to summarizing the results obtained and formulating conclusions about the real-world applicability of the developed model.

Keywords

riziková prémie kapitálového trhu, strojové učení, LSTM, ARIMA

Keywords

equity risk premium, machine learning, LSTM, ARIMA

Language used: Czech

Date on which the thesis was submitted / produced: 18. 5. 2024

Thesis defence

• Date of defence: 10. 6. 2024
• Supervisor: Pavel Svačina
• Reader: Josef Arlt

Vysoká škola ekonomická v Praze

Master programme:
Finance a oceňování podniku