Original title:
Prediktabilita výnosů akcií pomocí strojového učení
Translated title:
Multi-horizon equity returns predictability via machine learning
Authors:
Nechvátalová, Lenka ; Baruník, Jozef (advisor) ; Krištoufek, Ladislav (referee) Document type: Master’s theses
Year:
2020
Language:
eng Abstract:
[eng][cze] We examine the predictability of expected stock returns across horizons using machine learning. We use neural networks, and gradient boosted regression trees on the U.S. and international equity datasets. We find that predictabil- ity of returns using neural networks models decreases with longer forecasting horizon. We also document the profitability of long-short portfolios, which were created using predictions of cumulative returns at various horizons, be- fore and after accounting for transaction costs. There is a trade-off between higher transaction costs connected to frequent rebalancing and greater returns on shorter horizons. However, we show that increasing the forecasting hori- zon while matching the rebalancing period increases risk-adjusted returns after transaction cost for the U.S. We combine predictions of expected returns at multiple horizons using double-sorting and buy/hold spread, a turnover reduc- ing strategy. Using double sorts significantly increases profitability on the U.S. sample. Buy/hold spread portfolios have better risk-adjusted profitability in the U.S. JEL Classification G11, G12, G15, C55 Keywords Machine learning, asset pricing, horizon pre- dictability, anomalies Title Multi-horizon equity returns predictability via machine learningPomocí strojového učení zkoumáme předvídatelnost očekávaných výnosů ak- cií na různých horizontech. Používáme neuronové sítě a rozhodovací stromy s využitím boostingu na datech ze Spojených států a z vyspělých zemí. Předví- datelnost výnosů klesá se zvyšujícím se horizontem predikce při použití neurál- ních sítí. Dokumentujeme výnosnost long-short portfolií, které byly vytvořeny z predikcí kumulativních výnosů na různých horizontech. Odhadujeme transakční náklady a ukazujeme výnosnost portfolií i po započtení transakčních nák- ladů. Zajímá nás porovnání mezi vyššími transakčními náklady způsobenými častějším rebalancováním portfolia a vyššími výnosy na kratších horizontech. Ukazujeme, že prodloužení predikčního horizontu a zároveň rebalancovací frek- vence zvyšuje v USA po započtení transakčních nákladů rizikově vážené výnosy. Kombinujeme predikce očekávaných výnosů z různých horizontů pomocí metod double sort a buy/hold spread. Použití metody double sort výrazně zvyšuje v USA výnosnost. Použití buy/hold spread metody na snižování obratu portfolia má v USA lepší rizikově váženou výnosnost. Klasifikace JEL G11, G12, G15, C55 Klíčová slova Strojové učení, oceňování aktiv, predikta- bilita na horizontech, anomálie Název práce Prediktabilita výnosů akcií pomocí stro- jového učení
Keywords:
anomalies; asset pricing; horizon predictability; Machine learning; anomálie; oceňování aktiv; prediktabilita na horizontech; Strojové učení
Institution: Charles University Faculties (theses)
(web)
Document availability information: Available in the Charles University Digital Repository. Original record: http://hdl.handle.net/20.500.11956/121295