Applying machine learning models & algos for prediction of stock market movements & optimization of market investment strategies. The derivation & comparison of 2 investment strategies on US stocks

Abstract

Συνδυάζοντας σημαντικές γνώσεις από τα χρηματοοικονομικά και την ανάλυση δεδομένων, αυτή η διπλωματική εργασία θα αναπτύξει δυο στρατηγικές που χρησιμοποιούν μοντέλα μηχανικής μάθησης για την πρόβλεψη και την κατασκευή επικερδών μετοχικών χαρτοφυλακίων. Ο σκοπός αυτής της διπλωματικής εργασίας είναι να επιδείξει πως τα μοντέλα μηχανικής μάθησης μπορούν να εφαρμοστούν στην χρηματοοικονομική ανάλυση και να παράγουν πολύτιμη πληροφορία που θα επιφέρει σημαντικά οφέλη στους επενδυτές.Σαν μια στοιχειώδη εισαγωγή, η πρώτη προτεινόμενη στρατηγική αφορά την πρόβλεψη της εβδομαδιαίας κατεύθυνσης πολλαπλών μετοχών με την χρήση διαφόρων μεθόδων classification. Στην συνέχεια, μόλις γίνουν οι προβλέψεις κατεύθυνσης κατασκευάζεται ένα χαρτοφυλάκιο που περιλαμβάνει τις μετοχές που έχουν την μεγαλύτερη πιθανότητα για ανοδική/καθοδική κίνηση. Η δεύτερη προτεινόμενη στρατηγική συνδυάζει έναν αλγόριθμο clustering με μία στρατηγική momentum.

Located within the nexus of Finance and Data Science, this thesis will develop two trading strategies that utilize machine learning predictive algorithms to construct profitable long/short equity portfolios. The goal of the thesis is to demonstrate how machine learning models can bring new insights into trading in the financial markets and provide invaluable signals which will deliver significant returns to investors.As a rough introduction, the first strategy considered is a classification task that predicts the weekly direction of multiple stocks using various classification models. Once the direction predictions have been made, a portfolio is formed consisting of the stocks that had the highest probability of an up/down movement. The second strategy considered combines a clustering algorithm with a time series momentum framework.