This study investigates a neural networks approach to portfolio choice. Linear regression models are extensively used for prediction. With the return as the output variable, one can come to understand its relation to the explanatory variables the linear regression is built upon. However, if the relationship between the output and input variables is non-linear, the linear regression model may not be a suitable choice. An Artificial Neural Network (ANN) is a non-linear statistical model that has been shown to be a “good” approximator of non-linear functions. In this study, two different ANN models are considered, Feed-forward Neural Networks (FNN) and Recurrent Neural Networks (RNN). Networks from these models are trained to predict monthly returns on asset data consisting of macroeconomic data and market data. The predicted returns are then used in a long-short portfolio strategy. The performance of these networks and their corresponding portfolios are then compared to a benchmark linear regression model. Metrics such as average hit-rate, mean squared prediction error, portfolio value and riskadjusted returns are used to evaluate the model performances. The linear regression and the feed-forward model yielded good average hit-rates and mean squared-errors, but poor portfolio performances. The recurrent neural network models yielded worse average hit-rates and mean squared prediction errors, but had outstanding portfolio performances / Den här studien undersöker portföljval med hjälp av neurala nätverk. Linjära regressionsmodeller används extensivt vid prediktion. Med avkastning som responsvariabel kan man ta reda på dess relation med förklaringsvariablerna som regressionsmodellen är byggd på. Men, om förhållandet är icke-linjärt, kan en linjär regressionsmodell vara opassande. Neurala nätverk är en ickelinjär statistisk modell som har visats vara en god skattare av icke-linjära funktioner. I den här studien kommer två olika neurala nätverksmodeller att undersökas, framåtkopplade nätverk och rekurrenta nätverk. Nätverk från dessa två modeller tränas för att prediktera månatlig avkastning för data på tillgångar som består av makroekonomisk data samt marknadsdata. De predikterade avkastningarna används sedan i en “long-short extended risk parity” portföljstrategi. Prestandan för nätverken samt deras respektive portföljer undersöks och jämförs med en refrensmodell som består av en linjär regression. Olika metriker, såsom genomsnittligt träffvärde, genomsnittligt kvadratiskt fel, portföljvärde och riskjusterad avkastning, används för att evaluera modellernas prestanda. Den linjära regressionsmodellen samt det framåtkopplade nätverket gav en god genomsnittligt träffvärde samt ett lågt genomsnittligt kvadratiskt prediktionsfel, men inte ett bra portföljvärde. De rekurrenta modellerna gav sämre genomsnittligt träffvärde samt ett lite högre genomsnittligt kvadratiskt fel, däremot presterade portföljen mycket bättre.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-229410 |
| Date | January 2018 |
| Creators | Djehiche, Younes |
| Publisher | KTH, Matematisk statistik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2018:233 |
Page generated in 0.0022 seconds