Skip to content

Evaluation of Machine Learning impact on Asset Risk Premia measurement

Recent developments and increasing computational capacities of machine learning systems have raised the interest to accurately examine the new potentialities of these methods in explaining the behavior of the stock return and in particular of the asset risk premia. The aim of this thesis is therefore to analyze the state of the art of machine learning systems adopted in the field of asset pricing measurement, the future potentialities and the way in which these systems can be exploited by investors.
The first part of the work focuses on the description of the various models of machine learning (supervised and unsupervised), with an in-depth analysis of the differences between linear methods (such as Ordinary Least squares, Penalized linear) and non-linear methods (such as Random Forest, Support Vector Machines and especially Neural Networks.) It will be described how to optimize each model and the peculiarities of each of them in dealing with the problem of excess return measurement.
The second part of the paper analyzes the literature up to date, by looking at the variables that have proved empirically important in the context of time series return stock prediction (such as momentum, liquidity and volatility) and the comparative performances empirically obtained by each machine learning system. Kelly et al.'s work of June 2018 proved to be consistently superior to all previous studies, with a significantly higher R2 out of sample. Research results have demonstrated the strong impact of neural networks in terms of predictive capabilities, resulting in better predictive performance than other non-linear methods and more classical linear methods. Furthermore, it has been demonstrated that by adopting the outcomes obtained through the use of neural networks, it is possible to achieve a higher result in terms of Sharpe Ratio than that obtained by a buy & hold investor.
The progress achieved in the field of machine learning, in the context of expected return behaviour, is therefore considerable, and can be exploited even more in the future. These will simplify the identification of the economic mechanisms that lead to a certain trend compared to another, and justify their great success in terms of technological innovation in the machine learning field.

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Mostra/Nascondi contenuto.
1. Introduction Predicting stock market movements has always been an issue of great interest for investors. The predictability and the profitability are strictly linked together, and thus enhancing the predictive capabilities can lead to an advantage to be exploited by adjusting investment stra- tegies while minimising risk. Recent improvements in the field of machine learning, with their ability to approximate challenging tasks, continue to question the unbeatability of the market, and provide a world of innovative solutions for improved predictability in the measu- rement of excess return. The analysis of stock prediction, nevertheless, can only be undertaken in conjunction with the definition of time series analysis. A time series is a sequence of observations ordered in time. The type of sequence changes depending on whether we are dealing with a continuous time series, i.e. a system where values change continuously during a time interval, and a discrete time series, i.e. a system with a finite set of values. In machine learning classification prob- lems, values are discrete, while in a machine learning regression problem, the variable is con- tinuous. The trend of a series can still be characterized by possible seasonal variations and by station- ary or non-stationary trends. While in the stationary, mean and variance do not change over time, a stationary trend (in our case the stock market trend) has mean and variance that are not constant. More broadly, a motion can be defined not constant in the presence of trends, which are essential when it comes to business, industry or general economic phenomena. Moreover, it is very crucial to take into account all the "noisy processes", i.e. unexpected news that can come from different events, such as technological innovations, political changes, natural disasters, that change from one moment to another and modify the possible performance of a stock. For this very reason, one of the objectives of this work is to under- stand how machine learning systems can deal with a series of predictable and unpredictable events, and how much they are able to explain these market movements in advance. Therefore, the paper will precisely review the state of the art regarding the techniques em- ployed in the field of machine learning, the empirically demonstrated predictive performances from recent literature, and the future applications. Explaining more precisely what machine learning is, it would be defined as the ability of a system to learn through experience. A series of data are entered into the system, of which the algorithm must map the behaviours, to be applied later on to a new series of "unseen data". Predictive abilities should then be evaluated by comparing the values returned by the al- gorithm and the actual values expected by the researcher. The smaller the measurement of the prediction error, the greater the possibility of approximation and reliability of the system. The term machine learning used in this thesis refers to regression algorithms, and is used with ref- erence to a series of predictive statistical models, which combined with systems of "regulariz- ation" are useful to reduce data overfitting and extract from a complex set of data, patterns and insights useful for the researcher. Their main characteristic, which distinguishes them from classical econometric methods, is the ability to be flexible and to manage large amounts 1

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Il miglior software antiplagio

L'unico servizio antiplagio competitivo nel prezzo che garantisce l'aiuto della nostra redazione nel controllo dei risultati.
Analisi sicura e anonima al 100%!
Ottieni un Certificato Antiplagio dopo la valutazione.

Informazioni tesi

  Autore: Pierre D'amico
  Tipo: Laurea II ciclo (magistrale o specialistica)
  Anno: 2017-18
  Università: Università Commerciale Luigi Bocconi di Milano
  Facoltà: Economia
  Corso: Finanza
  Relatore: Claudio Tebaldi
  Lingua: Inglese
  Num. pagine: 77

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l’utente che consulta la tesi volesse citarne alcune parti, dovrà inserire correttamente la fonte, come si cita un qualsiasi altro testo di riferimento bibliografico.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Per tradurre questa tesi clicca qui »
Scopri come funziona »

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

artificial intelligence
neural networks
machine learning
trading systems
asset risk premia
swarm intelligence
predicting stock market
lstm
recurrent neural networks
long short term memory

Tesi correlate


Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi