Financial forecasting using machine learning

Abstract

Financial forecasting is an extraordinary issue. Hedge funds are companies that bind investors’ money for a while, and are trying to raise their capital. In order for investors to benefit from this technique, it is good to know the performance of hedge funds.The issue that we are assigned to, is the monthly prediction for 10 hedge fund returns, which are time series, and our forecasts last for 24 months. In our data there are 15 risk factors, from which we are called upon to decide which ones are important for our forecasting. The models we develop are from Machine Learning and some of them have been involved in finance. What we are concerned with is to compare these models, with traditional economic series prediction models, such as ARMA models and multiple regression models.

Η πρόγνωση στα χρηματοοικονομικά στοιχεία είναι ένα εξαιρετικό ζήτημα. Τα hedge funds ή αλλιώς αντισταθμιστικά κεφάλαια είναι εταιρείες οι οποίες δεσμεύουν για ένα διάστημα λεφτά επενδυτών, και με αυτό τον τρόπο, οι εταιρείες προσπαθούν να αυξήσουν το κεφάλαιό τους. Προκειμένου οι επενδυτές να επωφεληθούν με αυτή την τεχνική, είναι καλό να γνωρίζουν την απόδοση των hedge funds. Το θέμα το οποίο μας έχει ανατεθεί είναι η μηνιαία πρόβλεψη για 10 hedge fund αποδόσεις, οι οποίες αποτελούν μια χρονολογική σειρά, και οι προβλέψεις μας εκτείνονται για 24 μήνες. Στα δεδομένα μας υπάρχουν 15 παράγοντες κινδύνου, από τους οποίους καλούμαστε να αποφασίσουμε ποιοι είναι σημαντικοί για την πρόβλεψή μας. Τα μοντέλα που θα αναπτύξουμε είναι από την περιοχή του Μachine Learning και κάποια από αυτά έχουν απασχολήσει επιστήμονες στο χώρο των οικονομικών. Αυτό που μας ενδιαφέρει, είναι να συγκρίνουμε αυτά τα μοντέλα, με τα παραδοσιακά μοντέλα πρόβλεψης οικονομικών σειρών, όπως τα ARMA μοντέλα και τα μοντέλα πολλαπλής παλινδρόμησης.