|
|
Multi-horizon equity returns predictability via machine learning
Nechvátalová, Lenka ; Baruník, Jozef (vedoucí práce) ; Krištoufek, Ladislav (oponent)
Pomocí 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
|
host ::
RSS.