Equity return forecasting & portfolio optimization: a machine-learning approach

Abstract

In today’s dynamic financial markets, investment portfolio management is of central focus in financial research. While the portfolio selection problem is highly contingent upon reliable prediction of the future performance of stock markets, accurate forecasting of stock returns remains a great challenge to both academics and practitioners. This thesis investigates the application of machine learning (ML) and deep learning (DL) models in forecasting stock returns and constructing optimized equity portfolios. Using a subset of 25 highly liquid S&P 500 stocks, the study evaluates the predictive accuracy of Ridge Regression, eXtreme Gradient Boosting (XGBoost) and Long Short-Term Memory (LSTM). Forecasted returns are subsequently integrated into a mean-variance optimization model to select and allocate capital among the top-performing stocks at each rebalancing date. Empirical results support the superiority of advanced ML and DL models in stock return forecasting, compared to traditional penalized regression approaches, and demonstrate large economic gains to investors that incorporate them into their investment strategies.Στις σημερινές δυναμικές χρηματοπιστωτικές αγορές, η διαχείριση επενδυτικού χαρτοφυλακίου αποτελεί επίκεντρο της χρηματοοικονομικής έρευνας. Παρότι το πρόβλημα της επιλογής χαρτοφυλακίου εξαρτάται σε μεγάλο βαθμό από την αξιόπιστη πρόβλεψη της μελλοντικής απόδοσης των χρηματιστηριακών αγορών, η ακριβής πρόβλεψη των αποδόσεων των μετοχών παραμένει μια μεγάλη πρόκληση τόσο για τους ακαδημαϊκούς όσο και για τους επαγγελματίες του κλάδου. Η παρούσα διατριβή διερευνά την εφαρμογή μοντέλων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) στην πρόβλεψη αποδόσεων μετοχών και στην κατασκευή βελτιστοποιημένων χαρτοφυλακίων. Χρησιμοποιώντας ένα υποσύνολο μετοχών υψηλής ρευστότητας από τον S&P 500, η μελέτη αξιολογεί την ακρίβεια πρόβλεψης της παλινδρόμησης Ridge, του eXtreme Gradient Boosting (XGBoost) και του Long Short-Term Memory (LSTM). Οι αναμενόμενες αποδόσεις ενσωματώνονται στη συνέχεια σε ένα μοντέλο βελτιστοποίησης μέσου διακύμανσης για την επιλογή και κατανομή κεφαλαίου μεταξύ των μετοχών με την υψηλότερη αναμενόμενη απόδοση σε κάθε ημερομηνία αναπροσαρμογής. Τα εμπειρικά αποτελέσματα υποστηρίζουν την υπεροχή των μοντέλων μηχανικής μάθησης στην πρόβλεψη των αποδόσεων των μετοχών, σε σύγκριση με τις παραδοσιακές προσεγγίσεις παλινδρόμησης, και καταδεικνύουν σημαντικά οικονομικά οφέλη για τους επενδυτές που τα ενσωματώνουν στις επενδυτικές τους στρατηγικές.