A dynamic asset allocation strategy integrating long short-term memory (LSTM) with the Black-Litterman model

Abstract

This thesis presents a novel approach to developing a dynamic asset allocation strategy by integrating long short-term memory (LSTM) deep neural networks with the Black-Litterman model. The methodology involves forecasting the monthly performance of ten MSCI sector indices using sector-specific LSTM models and incorporating these return predictions as subjective forward-looking views into the Black-Litterman model for portfolio optimization. Optimal portfolios, rebalanced monthly based on out-of-sample forecasts, were constructed and evaluated over ten rolling 24-month holding periods. To ensure robustness, an expanding walk-forward cross-validation approach with grid search was employed for sector-specific LSTM hyperparameter tuning and model validation. Furthermore, various technical indicators derived through feature engineering were incorporated as multivariate inputs to enhance the predictive performance of the sector models.

The empirical results reveal variability in the prediction accuracy of the LSTM sector models across sectors, with the overall out-of-sample predictability of monthly returns remaining strong. Prediction accuracy also varied between different model configurations within sectors, emphasizing the importance of parameter selection and model optimization. In terms of risk-adjusted performance, the proposed LSTM-Black-Litterman asset allocation strategy produced relatively stable yet dynamic portfolios that outperformed market-capitalization-weighted and 1/N diversification benchmark allocation strategies in nine of the ten holding periods, even when accounting for transaction costs. These findings demonstrate the effectiveness and potential of integrating AI-based data-driven financial forecasting with an established portfolio optimization framework to guide and support enhanced investment decision-making.

Tässä tutkimuksessa esitetään uusi lähestymistapa dynaamisen allokointistrategian kehittämiseen yhdistämällä long short-term memory (LSTM) -neuroverkot ja Black-Litterman-portfolio-optimointimalli. Menetelmä perustuu kymmenen MSCI-sektori-indeksin kuukausituottojen ennustamiseen sektorikohtaisilla LSTM-syväoppimismalleilla, joiden tuottamat ennusteet sisällytetään Black-Litterman-malliin subjektiivisina tulevaisuuteen suuntautuvina näkemyksinä ohjaamaan allokaatiopäätöksiä. Kehitetyn yhdistelmämallin avulla rakennettiin kymmenen kuukausittain rebalansoituvaa optimaalista portfoliota liukuville 24 kuukauden tarkastelujaksoille. LSTM-sektorimallien validointi ja parametrien optimointi toteutettiin hyödyntämällä expanding walk-forward cross-validation -menetelmää. Lisäksi useita teknisen analyysin indikaattoreita sisällytettiin sektorimalleihin monimuuttujina ennustustarkkuuden parantamiseksi.

Tutkimuksen empiiriset tulokset osoittavat, että LSTM-sektorimallien ennustustarkkuus vaihtelee sektoreittain, mutta otoksen ulkopuolisten kuukausituottojen ennustettavuus säilyi vahvana kaikilla sektoreilla. Sektorimallien ennustustarkkuuden havaittiin myös vaihtelevan huomattavasti eri konfiguraatioiden välillä sektoreiden sisällä, mikä korostaa parametrien valinnan ja optimoinnin merkitystä. Kehitetty LSTM-Black-Litterman allokointistrategia tuotti vakaita, mutta dynaamisia portfolioita, jotka suoriutuivat riskikorjatuilla mittareilla transaktiokustannukset huomioon ottaen yhdeksässä kymmenestä skenaariosta paremmin kuin sektoreiden markkina-arvoihin sidottu sekä tasajakoinen allokointistrategia. Tulokset osoittavat, että tekoälyyn pohjautuvien datalähtöisten ennustusmallien hyödyntäminen portfolio-optimoinnissa on tehokas lähestymistapa ohjaamaan ja tukemaan parempaa sijoituspäätösten tekemistä.