This thesis investigates how neural networks can be used to produce investors' views for the Black-Litterman market model. The study uses two data sets, one with global stock market indexes and one with stock market data from the S&P 500. The task of the neural networks is to produce forecasts for the returns for the next quarter and the following year. The neural network will have to predict whether the market will move up or down and determine if the market movement is less than or equal to one standard deviation, creating four different scenarios. The forecasts are used as input to the Black-Litterman model to generate new portfolios, which are backtested from 2017 until 2022. The index data set was compared to a benchmark portfolio and a portfolio with naive risk diversification, while the S&P 500 data set was compared to market capitalization-weighted and naive portfolios. This resulted in eight different backtests where the neural networks obtained AUC values in the range of 0.56-0.73 and prediction accuracies in the range of 20.9% - 42.1%. The network used for yearly predictions on the index data set was the only network to outperform the benchmark portfolio. It obtained a Sharpe ratio of 1.782, a Sortino ratio of 2.165, and a maximum drawdown of -30.9% compared to the benchmark portfolio, where the corresponding metrics were 1.544, 1.879, and -32.8%. / Detta examensarbete undersöker hur neurala nätverk kan användas för att generera investerares åsikt till Black-Littermans marknadsmodell. Studien använder två dataset, en med globala börsindex och en med börsdata från S6P 500. De neurala nätverkens uppgift är att generera prognoser för avkastning för nästa kvartal samt nästkommande år. Det neurala nätverket måste förutsäga om marknaden kommer att röra sig uppåt eller nedåt, och avgöra om marknadsrörelsen är mindre än eller lika med en standaravvikelse, vilket skapar fyra olika scenarier. Prognoserna användas som input till Black-Litterman-modellen för att generera nya portföljer, som backtestas från 2017 till 2022. Portföljerna som skapades med globala börsindex jämfördes med en benchmarkportfölj och en portfölj med naiv riskspridning. Datasetet med data från S&P 500 jämfördes med marknadsvärdesviktade och naiva portföljer. Detta resulterade i åtta olika simuleringar där de neurala nätverken fick AUC-värden i intervallet 0,56-0,73 och prediktionsnoggrannheter i intervallte 20,9% - 42,1%. Nätverket som användes för årliga prognoser om globala börsindex var det enda nätverket som överträffade jämförelseportföljen. Den fick en Sharpekvot på 1, 782, Sortinokvot på 2,165 och en största kumulativa nedgång på -30,9% jämfört med jämförelseportföljen där motsvarande mätvärden var 1, 544, 1, 879 och -32,8%.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-337121 |
| Date | January 2022 |
| Creators | Lavatt, Rafael |
| Publisher | KTH, Matematik (Avd.) |
| 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 ; 2022:372 |
Page generated in 0.0017 seconds