Προβλεψιμότητα της κατεύθυνσης των τιμών χρηματιστηριακών δεικτών με τη χρήση μεθόδων μηχανικής μάθησης

Abstract

Η παρούσα μελέτη εξετάζει την ύπαρξη προβλεψιμότητας της κατεύθυνσης των ημερήσιων τιμών τριών χρηματιστηριακών δεικτών (S&P500, Dow Jones και Nasdaq) με τη χρήση μεθόδων Μηχανικής Μάθησης. Για τον σκοπό αυτό, χρησιμοποιούνται οι τιμές κλεισίματος των δεικτών για τα έτη 2001-2021, από τις οποίες υπολογίζονται τεχνικοί δείκτες που λειτουργούν ως επεξηγηματικές μεταβλητές για την εκτίμηση των μελλοντικών τιμών των δεικτών. Τα δεδομένα χωρίζονται σε δύο υποομάδες (training και test dataset), ενώ η πρόβλεψη των τιμών πραγματοποιείται με τη χρήση 16 μεθόδων Μηχανικής Μάθησης. Τα αποτελέσματα δείχνουν ότι υφίσταται προβλεψιμότητα των κατευθύνσεων των τιμών των δεικτών, ωστόσο σε χαμηλά επίπεδα. Καλύτερες μέθοδοι για το πρόβλημά μας αποδείχθηκαν οι ANN, οι τεχνικές Boosting, SVM και Conditional Forest και φαίνεται να εμφανίζουν καλύτερες αποδόσεις από κλασικές στατιστικές τεχνικές, όπως η Λογιστική Παλινδρόμηση.

This academic study tests the existence of directional predictability of three stock indices’ daily prices (S&P500, Dow Jones και Nasdaq) using machine learning techniques. For this reason, we make use of these indices’ closing prices for the period 2001–2021 in order to calculate technical indicators that operate as explanatory variables for the estimation of future stock indices’ prices. The data are separated into two groups (a training and a test dataset) and 16 machine learning techniques are used for the prediction of the prices. The main findings indicate that directional predictability really exists, though at a low level. ANN, Boosting techniques, SVM and Conditional Forest are proven the best classification methods for this case and they seem to outperform the classical statistical techniques such as Logistic Regression.