Feasibility of Nonlinear Multifactor Classifiers for Predicting Share Returns

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2019-05-07
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
72+7
Series
Abstract
This thesis determines the feasibility of nonlinear multifactor models for predictive classification of share returns. To accomplish this, a simple model fitting methodology is developed, applying machine learning methods to fit the factor models. Their performance is examined in terms of classification and portfolios created based on model predictions. Portfolio performance is furthermore compared to benchmarks, including a replication of the industry standard Fama-French Five-Factor Model. Research applies data of US stocks covering a period from 2004 to 2016 for the predictions and portfolios. The data consists of return and accounting data. A three-month lag is imposed to accounting data to account for the reporting delay. Thus all the data applied in the predictions is available to the market at the time. The smallest companies are excluded from the data sample due to their disproportionate number and small market value. The factors calculated from the data are gathered from recent scientific literature. The results provide weak support to the feasibility of nonlinear factor models to the task examined in this thesis. Additionally, the results are less than robust with respect to changing the model parameters. Moreover, options were identified to extend the model fitting methodology with possibly significant performance improvements. The findings and the identified improvements are weakly in favor of the feasibility of nonlinear multifactor models for predictive classification of share returns. The conclusion inspires multiple directions for further research, which are presented along with the conclusion.

Tässä diplomityössä määritetään epälineaaristen multifaktorimallien soveltuvuus osakkeiden tuottojen ennustavaan luokitteluun. Soveltuvuuden määrittämiseksi kehitetään yksinkertainen mallinsovitusmetodologia, jossa sovelletaan koneoppimista mallien sovittamiseen. Niiden toimintaa tarkastellaan luokittelun tarkkuuden ja luokittelun perusteella laadittavien osakeportfolioiden mukaan. Portfolioiden tuottoa ja ominaisuuksia vertaillaan yksinkertaisiin malleihin, joiden joukossa on alalla laajasti käytetty Fama-Frenchin viiden faktorin malli. Tutkimus hyödyntää yhdysvaltalaisten pörssilistattujen yritysten tilinpäätös- ja osakedataa ja portfolioiden tarkastelu kattaa vuodet 2004-2016. Tilinpäätösdataan sovelletaan kolmen kuukauden viivettä raportointiviivästyksen huomioimiseksi. Täten kaikki ennustamiseen käytetty data on markinnoiden saatavissa ennusteen tekohetkellä. Pienimmät yritykset jätetään tarkastelun ulkopuolelle niiden suhteettoman suuren lukumäärän ja pienen markkina-arvon takia. Datasta laskettavat faktorit koostetaan viimeaikaisesta tieteellisestä kirjallisuudesta. Tulokset tukevat heikosti epälineaaristen multifaktorimallien soveltuvuutta työssä tarkasteltavaan tehtävään. Tulokset eivät ole kuitenkaan robusteja mallien parametrien muutoksille. Työssä tunnistettiin kuitenkin mahdollisuuksia kehittää mallien sovitusmenetelmiä, joilla saattaa olla merkittäviä vaikutuksia suorituskykyyn. Työn tulokset ja tunnistetut kehitysmahdollisuudet puoltavat heikosti epälineaaristen multifaktorimallien soveltuvuutta osakkeiden tuottojen ennustavaan luokitteluun. Yhteenvedon perusteella esitetään myös useita mahdollisuuksia jatkotutkimukselle.
Description
Supervisor
Punkka, Antti
Thesis advisor
Sivonen, Antti
Keywords
factor model, nonlinear, return prediction, classification, machine learning
Other note
Citation