A wide variety of machine learning algorithms havebeen used to predict stock prices. The aim of this project hasbeen to implement a machine learning algorithm using supportvector regression to predict the stock price of two well knowncompanies—Apple and Microsoft—one day into the future usingthe current day’s stock price, macroeconomic data and microeconomicdata and to compare the prediction error with the differentdata inputs. The results show that the addition of macroeconomicand microeconomic data did not improve the prediction error.This suggests that the macroeconomic and microeconomic dataused in this project does not contain additional information aboutfuture stock prices. The results also show that support vectorregression performs worse than linear regression, however inthis case no definite conclusion can be drawn since only onekernel and a handful of parameter values were considered whentraining and testing the algorithm. However, these results mightalso suggest that using the current day’s data is not sufficient tobe able to predict the non-linear relationships. / Ett flertal maskininlärnings-algoritmer har använts för att förutspå aktiepriser. Målet med det här projektet har varit att implementera en maskininlärnings-algoritm som använder sig av support vector regression för att förutspå aktiepriset av två välkända företag—Apple och Microsoft—en dag in i framtiden genom att använda dagens aktiepris, makroekonomisk data och mikroekonomisk data samt att jämföra prediktionsfelet med dem olika indata. Resultaten indikerar att additionen av makroekonomisk och mikroekonomisk data inte förbättrade prediktionsfelet. Detta antyder att den makroekonomiska och mikroekonomiska data som användes i projektet inte innehåller någon ytterliggare information om framtida aktiepriser. Resultaten indikerade också att linjär regression presterar bättre än support vector regression, men i detta fallet kan ingen definitiv slutsats dras eftersom endast en kernel och ett par parameter-värden användes för att träna och testa algoritmen. Däremot kan dessa resultat också antyda att a inte är tillräcklig för att kunna förutspå dem icke-linjära förhållandena. / Kandidatexjobb i elektroteknik 2021, KTH, Stockholm
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-307633 |
| Date | January 2021 |
| Creators | Ece Korkmaz, Idil, Sandberg, Simon |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:144 |
Page generated in 0.0024 seconds