|
|
Application of Machine Learning in Portfolio Construction
Karlíček, Ondřej ; Šíla, Jan (advisor) ; Baruník, Jozef (referee)
The thesis investigates the application of machine learning in portfolio con- struction. The analysis was conducted on a dataset consisting of 442 Amer- ican stocks. Initially, we cluster stocks using Principal Component Analysis and K-means algorithms. Then we select stock from each cluster based on return/risk metrics. Where risk was estimated by Value at Risk, and return was predicted using Random Forest and GARCH models. This leaves us with 11 stocks for every monthly period during 2020. The results indicate that the portfolios constructed from the selected stocks were able to outperform the market benchmark. However, the return predictions were not accurate enough. Thus, the portfolio from selected stock using the 1/N approach achieved better results than the portfolio optimized by the Mean-Variance model. 1
|
|
|
Portfolio Construction Using Hierarchical Clustering
Fučík, Vojtěch ; Krištoufek, Ladislav (advisor) ; Baruník, Jozef (referee)
Hlavním cílem této práce je vyložit a zejména propojit existující metodologii filtrování korelačních matic, grafových algoritmů aplikovaných na minimální kostry grafu, hierarchického shlukování a analýzy hlavních komponent, pro vytvoření kvantitativních investičních strategií. Namísto tradičního použití časových řad akciových výnosů je užito reziduí z faktorových modelů. Tato rezidua jsou klíčovým vstupem pro všechny používané algoritmy k výpočtu pravděpodobnosti středovosti dané akcie. Pravděpodobnost středovosti je nekonvenční ukazatel pravděpodobnosti, kde hodnota blízko 1 značí vysokou pravděpodobnost středovosti dané akcie v dané ekonomické síti. Na základě této míry pravděpodobnosti je vybudováno několik investičních strategií, které jsou dále testován hlavních amerických akciových indexů. Nemůže být generalizováno, že periferní strategie dosahují konzistentně lepších výsledků než středové strategie. Zatímco při použití klasického Markowitzova optimalizačního procesu jsou zisky stabilní a potenciál průměrný, oba typy vybudovaných strategií (středové i periferní) sdílí vysoký potenciál zisku, který je ovšem vykoupen vysokou volatilitou.
|
|
|
Robust Investment Portfolios
Konfršt, Zdeněk ; Dědek, Oldřich (advisor) ; Pěkná, Martina (referee)
Robust Investment Portfolios Zdeněk Konfršt Abstract This master's thesis pursues the construction of stable, robust and growth portfo- lios in active portfolio management. These portfolios provide limited downside risks, short-time drawdowns and substantial growth prospects. We argue that the construc- tion of such portfolios is based on security selection as well as on portfolio theory (the Mean-Variance Model, MVM). The equity based portfolios were constructed and tested on real market data from the 1995-2014 period. The tested portfolios outperformed the S&P 500 out of and within the risk-reward ratio domain. Robust portfolios build on the MVM but they are less sensitive to errors of param- eters estimation. We experimented with several robust approaches and the results confirmed that the robust portfolios were less sensitive to outliers, less volatile and more stable (robust). The bottom-up process of security selection seems time consuming and labor intensive. Therefore we proposed an alternative approach to select stocks with so- called "cluster analysis". Generally, the cluster analysis classifies similar objects (companies) into similar groups. Technical and fundamental parameters of companies provided needed classification parameters. The classification was run over companies from the German DAX...
|
guest ::
