Predikce vývoje výnosů akcií

Bc. Darek Šidlák

Bachelor's thesis

Stock return predictability

Abstract:

Tato práce zkoumá jedno z klíčových témat finančního investování a ekonomického modelování – problém předvídatelnosti vývoje akciových výnosů. V tomto textu konkrétně zkoumáme předvídatelnost denních akciových výnosů s využitím pouze zpožděných historických dat jako vysvětlujících proměnných. Predikční problém je potom v rámci této práce řešen za použití třech různých matematicko-statistických modelů – ARIMA modelu, regresního modelu založeném na metodě podpůrných vektorů a modelu neuronové sítě s dlouhodobou krátkou pamětí. Tyto modely jsou použity k sestavení predikce vývoje GICS Level 1 sektorových subindexů všeobecného akciového indexu S&P 500. Prediktivní schopnosti vybraných modelů jsou poté porovnány za pomocí standardních statických metrik a je posouzena jejich využitelnost při sestavování jednoduché obchodní strategie. Získané výsledky ukazují, že komplexnější modely založeny na metodách strojového učení jsou schopny produkovat statisticky přesnější předpovědi než jednoduchý autoregresní model. Zároveň je zde však také ukázáno, že není možné dosáhnout nadměrného výnosu skrze obchodní strategie založené pouze na predikcích těchto modelů.

Abstract:

This thesis investigates one of the key topics in financial investing and economic forecasting – the issue of stock returns predictability. Specifically, in this text, we examine the predictability of the day-ahead stock returns using only the lagged historical data as explanatory variables. In the context of this thesis, we approach this task from a purely quantitative perspective. We employ three distinct types of statistical and computational methods – namely, the ARIMA method, support vector regression method and the long short-term memory neural network method to forecast the development of the GICS Level 1 industry sector subindices of the general S&P 500 index. We compare the predictive performance of these models on our data using standard statistical metrics and we test whether the predictions generated by these models can be used to formulate a viable trading strategy. The results we obtain show that the more complex machine learning models generally produce forecasts that are statistically superior to that of the simple autoregressive model. However, despite this, it is shown that no abnormal profit can be gained by trading solely on the signals generated by these models.

Keywords

akciové výnosy, časové řady, ARIMA, neuronové sítě, metoda podpůrných vektorů, stock returns, time series, neural networks, support vector machines

Language used: English

Date on which the thesis was submitted / produced: 10. 5. 2021

Thesis defence

• Date of defence: 15. 6. 2021
• Supervisor: Ph.D. Oleg Deev
• Reader: Ing. Tomáš Plíhal, Ph.D.

Masaryk University

Faculty of Economics and Administration

Bachelor programme / field:
Finance / Finance