National and Kapodistrian University of Athens
Predicting the equity premium with machine learning balancing complexity, risk and performance
Abstract
dc:descriptionΗ εργασία εξετάζει την ικανότητα μοντέλων μηχανικής μάθησης να προβλέπουν το ασφάλιστρο κινδύνου της αγοράς μετοχών των ΗΠΑ και τη χρησιμότητα αυτών των προβλέψεων σε στρατηγικές συναλλαγών. Χρησιμοποιώντας δεδομένα του S&P 500 και τους προβλεπτικούς δείκτες Goyal–Welch για την περίοδο 1926–2024, συγκρίνονται γραμμικά και μη γραμμικά μοντέλα. Τα αποτελέσματα δείχνουν ότι, παρά τη χαμηλή εκτός δείγματος προβλεπτική ακρίβεια, τα κανονικοποιημένα γραμμικά μοντέλα επιτυγχάνουν ανώτερη απόδοση προσαρμοσμένη στον κίνδυνο όταν ενσωματώνονται σε στρατηγικές κατανομής τύπου Kelly. Τα ευρήματα υπογραμμίζουν ότι η οικονομική αξία δεν ταυτίζεται απαραίτητα με τη στατιστική ακρίβεια και ότι η πολυπλοκότητα, όταν εφαρμόζεται με μέτρο, μπορεί να βελτιώσει την επενδυτική επίδοση.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΜΠΑΚΟΓΙΑΝΝΗΣ ΘΕΟΔΩΡΟΣ
- MPAKOGIANNIS THEODOROS
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5325167