Artificial intelligence in investing : Stock clustering with self-organizing map and return prediction with model comparison
Mohamed, Ayan (2019)
Pro gradu -tutkielma
2019
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2019073023242
https://urn.fi/URN:NBN:fi-fe2019073023242
Tiivistelmä
This study presents an analysis of artificial intelligence (AI) methods in investment and further comparing them to classical methods. Bearing in mind the limited coverage by academic literature using these methods in one study to form an investment strategy and especially in the Finnish market, this study aims to analyse the process of using these methods to form an investment strategy for an individual investor.
The methodology available in research representing artificial intelligence is comprehensive. For the purpose of this study two artificial intelligence methods and two classical methods were utilized by using Matlab® and Microsoft Excel®. To begin with a Self-organizing map, representing AI, was utilized to form portfolios. The Self-organizing map showed that portfolios can be clustered based on their financial characteristics to answer investors’ different needs. The second step was further optimizing the portfolio weights with a minimum variance portfolio. Furthermore, this step proved to be valuable, as it provided higher returns than an equally weighted portfolio. The third step in the study was utilizing ARMA models to forecast the returns of the portfolios and index. The results for all four portfolios and index showed to be white noise time-series, which cannot be predicted. For the purpose of this study and to show how analysis would be if the time series data was not white noise, the study was continued with the models. The fourth step was conducting a similar forecast for NAR models, representing AI. The results proved to be more accurate than for the white noise time-series based models. However, neither NAR nor ARMA models proved to be that accurate compared to the real returns, but in whole the NAR models were more accurate. This result was not surprising as the comparison models were random. As this study is quite specific, so is the contributions it provides. The study contributes to the available academic literature by providing insight to investment options, confirming that white noise cannot be forecasted and highlighting that AI methods provide better forecast results than random time-series models. Tämä tutkimus esittää analyysin tekoälyn menetelmistä sijoittamisessa ja niiden vertaamisesta klassisiin menetelmiin. Ottaen huomioon akateemisen kirjallisuuden rajallisen kattavuuden näiden menetelmien käytöstä yhdessä tutkimuksessa sijoitusstrategian muodostamiseksi ja erityisesti Suomen markkinoilla, tutkimus pyrkii analysoimaan prosessia, jolla näitä menetelmiä käytetään sijoitusstrategian muodostamisessa yksittäiselle sijoittajalle.
Käytettävissä olevat tekoälyä vastaavat menetelmät ovat kattavat. Tämän tutkimuksen tarkoitukseen käytettiin kahta tekoälyn menetelmää ja kahta klassista menetelmää käyttämällä Matlab® ja Microsoft Excel®. Aluksi itseorganisoituvaa karttaa, joka edustaa tekoälyä, käytettiin osakesalkkujen muodostamiseen. Itseorganisoituva kartta osoitti, että salkut voidaan ryhmitellä niiden taloudellisten ominaisuuksien perusteella vastatakseen sijoittajien erilaisiin tarpeisiin. Toinen vaihe oli salkun painojen optimointi vähimmäisvarianssisalkun avulla. Tämä vaihe osoittautui hyödylliseksi, koska se tuotti korkeamman tuoton kuin tasan painotettu salkku. Tutkimuksen kolmas vaihe oli ARMA-mallien hyödyntäminen salkkujen ja indeksin tuottojen ennustamiseksi. Kaikkien neljän salkun ja indeksin tulokset osoittivat olevan valkoisen kohinan aikasarjoja, joita ei voida ennustaa. Tätä tutkimusta ja analyysia siitä, jos aikasarjojen data ei olisi valkoista kohinaa varten, tutkimusta jatkettiin malleilla. Neljäs vaihe oli samanlaisen ennusteen suorittaminen tekoälyä edustaville NAR-malleille. Tulokset osoittautuivat tarkemmiksi kuin satunnaiset, valkoisen kohinan aikasarjan mallit. Kumpikaan NAR- tai ARMA-malleista ei kuitenkaan osoittautunut olevan niin tarkka todellisiin tuottoihin verrattuna, mutta kaiken kaikkiaan NAR mallit olivat tarkempia. Tämä tulos ei ollut yllättävä, koska vertailumallit olivat satunnaisia. Koska tämä tutkimus on melko tarkka, samoin ovat sen antamat kontribuutiot. Tutkimus myötävaikuttaa saatavissa olevaan akateemiseen kirjallisuuteen tarjoamalla oivalluksen sijoitusvaihtoehdoista, vahvistamalla, että valkoista kohinaa ei voida ennustaa, ja korostamalla, että tekoälymenetelmät tarjoavat parempia ennustetuloksia kuin satunnaiset aikasarjamallit.
The methodology available in research representing artificial intelligence is comprehensive. For the purpose of this study two artificial intelligence methods and two classical methods were utilized by using Matlab® and Microsoft Excel®. To begin with a Self-organizing map, representing AI, was utilized to form portfolios. The Self-organizing map showed that portfolios can be clustered based on their financial characteristics to answer investors’ different needs. The second step was further optimizing the portfolio weights with a minimum variance portfolio. Furthermore, this step proved to be valuable, as it provided higher returns than an equally weighted portfolio. The third step in the study was utilizing ARMA models to forecast the returns of the portfolios and index. The results for all four portfolios and index showed to be white noise time-series, which cannot be predicted. For the purpose of this study and to show how analysis would be if the time series data was not white noise, the study was continued with the models. The fourth step was conducting a similar forecast for NAR models, representing AI. The results proved to be more accurate than for the white noise time-series based models. However, neither NAR nor ARMA models proved to be that accurate compared to the real returns, but in whole the NAR models were more accurate. This result was not surprising as the comparison models were random. As this study is quite specific, so is the contributions it provides. The study contributes to the available academic literature by providing insight to investment options, confirming that white noise cannot be forecasted and highlighting that AI methods provide better forecast results than random time-series models.
Käytettävissä olevat tekoälyä vastaavat menetelmät ovat kattavat. Tämän tutkimuksen tarkoitukseen käytettiin kahta tekoälyn menetelmää ja kahta klassista menetelmää käyttämällä Matlab® ja Microsoft Excel®. Aluksi itseorganisoituvaa karttaa, joka edustaa tekoälyä, käytettiin osakesalkkujen muodostamiseen. Itseorganisoituva kartta osoitti, että salkut voidaan ryhmitellä niiden taloudellisten ominaisuuksien perusteella vastatakseen sijoittajien erilaisiin tarpeisiin. Toinen vaihe oli salkun painojen optimointi vähimmäisvarianssisalkun avulla. Tämä vaihe osoittautui hyödylliseksi, koska se tuotti korkeamman tuoton kuin tasan painotettu salkku. Tutkimuksen kolmas vaihe oli ARMA-mallien hyödyntäminen salkkujen ja indeksin tuottojen ennustamiseksi. Kaikkien neljän salkun ja indeksin tulokset osoittivat olevan valkoisen kohinan aikasarjoja, joita ei voida ennustaa. Tätä tutkimusta ja analyysia siitä, jos aikasarjojen data ei olisi valkoista kohinaa varten, tutkimusta jatkettiin malleilla. Neljäs vaihe oli samanlaisen ennusteen suorittaminen tekoälyä edustaville NAR-malleille. Tulokset osoittautuivat tarkemmiksi kuin satunnaiset, valkoisen kohinan aikasarjan mallit. Kumpikaan NAR- tai ARMA-malleista ei kuitenkaan osoittautunut olevan niin tarkka todellisiin tuottoihin verrattuna, mutta kaiken kaikkiaan NAR mallit olivat tarkempia. Tämä tulos ei ollut yllättävä, koska vertailumallit olivat satunnaisia. Koska tämä tutkimus on melko tarkka, samoin ovat sen antamat kontribuutiot. Tutkimus myötävaikuttaa saatavissa olevaan akateemiseen kirjallisuuteen tarjoamalla oivalluksen sijoitusvaihtoehdoista, vahvistamalla, että valkoista kohinaa ei voida ennustaa, ja korostamalla, että tekoälymenetelmät tarjoavat parempia ennustetuloksia kuin satunnaiset aikasarjamallit.