Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Industry return predictability via machine learning

Εναλλακτικός τίτλος :	Προβλεπτική ικανότητα βιομηχανικών αποδόσεων μέσω machine learning

Δημιουργός :	Stamatopoulos, Charis Σταματόπουλος, Χάρης

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Besbeas, Panagiotis (Εξεταστής) Ioannidis, Evaggelos (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	62p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8439

Περίληψη :	In this particular project, we conducted a comparative analysis of several machine learning techniques to detect whether lagged industry returns of thirty (30) major sectors of the economy can benefit us in predicting industry returns across the entire economy. We used a general linear regression predictive framework as our benchmark. We employed methodologies such as LASSO, elastic net, and neural networks to select the model with the most accurate forecasts. After controlling for multiple testing and downside biases in magnitude, we found significant in-sample evidence of return predictability. Lagged returns for finance, commodity, and material producing industries are the most frequently selected significant predictors by our penalization methods, and thus exhibit a widespread predictive ability. We created zero-net industry-rotation portfolios (one for each methodology) which goes long for the industries with the highest forecasted returns. For this purpose, we used walk-forward cross-validation and back testing simulation. We concluded that elastic net generated the higher annualized returns and Sharpe ratios, whereas at the same time the lowest MSE across predictions and annualized drawdown across all models. Finally, neural networks were not capable of outperforming clearly the elastic net procedure, probably due to the lack of high-frequency data, the insufficient parametrization of the network, or just the absence of non-linear relationships among the predictor variables and the dependent variables. Στην προκειμένη εργασία πραγματοποιήσαμε μια συγκριτική ανάλυση διαφόρων machine learning τεχνικών για να εντοπίσουμε εάν οι παρελθοντικές αποδόσεις τριάντα (30) βασικών τομέων της οικονομίας μπορούν να συνεισφέρουν στην πρόβλεψη της μελλοντικής απόδοσης των κύριων τομέων της οικονομίας. Ένα γενικό μοντέλο γραμμικής παλινδρόμησης για πρόβλεψη χρησιμοποιήθηκε ως σημείο αναφοράς (benchmark). Με το benchmark μοντέλο συγκρίναμε διάφορες machine learning τεχνικές όπως το LASSO, το elastic net και τα τεχνητά νευρωνικά δίκτυα. Αφού ελέγξαμε για multiple testing και μεροληψία στις εκτιμήσεις μας, προέκυψε στατιστικά σημαντική ένδειξη προβλεπτικής ικανότητας στις παρελθοντικές αποδόσεις εντός του δείγματος. Παρελθοντικές αποδόσεις τομέων όπως το finance, τα εμπορεύματα και τα υλικά αποδείχθηκε ότι επηρεάζουν τις αποδόσεις των περισσότερων βιομηχανιών. Δημιουργήσαμε τεχνητά industry-rotation χαρτοφυλάκια για την κάθε μεθοδολογία τα οποία αποτελούνταν από τις βιομηχανίες με την υψηλότερη προβλεπόμενη απόδοση. Αυτό επιτεύχθηκε μέσω walk forward cross validation και back testing προσομοίωσης. Σαν συμπέρασμα καταλήξαμε ότι το elastic net παράγει τις πιο ακριβείς προβλέψεις ανάμεσα στα υποψήφια μοντέλα ως προς τις αποδόσεις σε ετήσια βάση και την ελαχιστοποίηση του σφάλματος MSE. Τέλος, τα νευρωνικά δίκτυα δεν κατάφεραν να βελτιώσουν την απόδοση του χαρτοφυλακίουπου στηρίχθηκε στο elastic net. Οι λόγοι για αυτό ίσως ήταν η χαμηλή συχνότητα των δεδομένων που είχαμε στη διάθεση μας, η ελλιπής παραμετροποίηση του δικτύου ή η απουσία μη γραμμικών σχέσεων ανάμεσα στις εξαρτημένες και τις ανεξάρτητες μεταβλητές μας.

Περίληψη :

In this particular project, we conducted a comparative analysis of several machine learning techniques to detect whether lagged industry returns of thirty (30) major sectors of the economy can benefit us in predicting industry returns across the entire economy. We used a general linear regression predictive framework as our benchmark. We employed methodologies such as LASSO, elastic net, and neural networks to select the model with the most accurate forecasts. After controlling for multiple testing and downside biases in magnitude, we found significant in-sample evidence of return predictability. Lagged returns for finance, commodity, and material producing industries are the most frequently selected significant predictors by our penalization methods, and thus exhibit a widespread predictive ability. We created zero-net industry-rotation portfolios (one for each methodology) which goes long for the industries with the highest forecasted returns. For this purpose, we used walk-forward cross-validation and back testing simulation. We concluded that elastic net generated the higher annualized returns and Sharpe ratios, whereas at the same time the lowest MSE across predictions and annualized drawdown across all models. Finally, neural networks were not capable of outperforming clearly the elastic net procedure, probably due to the lack of high-frequency data, the insufficient parametrization of the network, or just the absence of non-linear relationships among the predictor variables and the dependent variables.
Στην προκειμένη εργασία πραγματοποιήσαμε μια συγκριτική ανάλυση διαφόρων machine learning τεχνικών για να εντοπίσουμε εάν οι παρελθοντικές αποδόσεις τριάντα (30) βασικών τομέων της οικονομίας μπορούν να συνεισφέρουν στην πρόβλεψη της μελλοντικής απόδοσης των κύριων τομέων της οικονομίας. Ένα γενικό μοντέλο γραμμικής παλινδρόμησης για πρόβλεψη χρησιμοποιήθηκε ως σημείο αναφοράς (benchmark). Με το benchmark μοντέλο συγκρίναμε διάφορες machine learning τεχνικές όπως το LASSO, το elastic net και τα τεχνητά νευρωνικά δίκτυα. Αφού ελέγξαμε για multiple testing και μεροληψία στις εκτιμήσεις μας, προέκυψε στατιστικά σημαντική ένδειξη προβλεπτικής ικανότητας στις παρελθοντικές αποδόσεις εντός του δείγματος. Παρελθοντικές αποδόσεις τομέων όπως το finance, τα εμπορεύματα και τα υλικά αποδείχθηκε ότι επηρεάζουν τις αποδόσεις των περισσότερων βιομηχανιών. Δημιουργήσαμε τεχνητά industry-rotation χαρτοφυλάκια για την κάθε μεθοδολογία τα οποία αποτελούνταν από τις βιομηχανίες με την υψηλότερη προβλεπόμενη απόδοση. Αυτό επιτεύχθηκε μέσω walk forward cross validation και back testing προσομοίωσης. Σαν συμπέρασμα καταλήξαμε ότι το elastic net παράγει τις πιο ακριβείς προβλέψεις ανάμεσα στα υποψήφια μοντέλα ως προς τις αποδόσεις σε ετήσια βάση και την ελαχιστοποίηση του σφάλματος MSE. Τέλος, τα νευρωνικά δίκτυα δεν κατάφεραν να βελτιώσουν την απόδοση του χαρτοφυλακίουπου στηρίχθηκε στο elastic net. Οι λόγοι για αυτό ίσως ήταν η χαμηλή συχνότητα των δεδομένων που είχαμε στη διάθεση μας, η ελλιπής παραμετροποίηση του δικτύου ή η απουσία μη γραμμικών σχέσεων ανάμεσα στις εξαρτημένες και τις ανεξάρτητες μεταβλητές μας.

Λέξη κλειδί :	Lagged industry returns Machine learning Predictability Portfolio construction Time series Βιομηχανικές αποδόσεις Μηχανική μάθηση Προβλεπτική ικανότητα Κατασκευή χαρτοφυλακίων Χρονοσειρές

Διαθέσιμο από :	2021-03-22 11:43:39

Ημερομηνία έκδοσης :	2021

Ημερομηνία κατάθεσης :	2021-03-22 11:43:39

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Stamatopoulos_2021.pdf

Τύπος: application/pdf

Είσοδος