From forecast to return : can estimation risk be transformed into economic value? : a binomial risk management framework for econometric and machine learning models

Abstract

This bachelor’s thesis examines whether strategies based on market return forecasts can be improved by adding a separate decision layer on top of the forecast signal. The decision overlays analyzed in the thesis are Kelly-type position sizing and options-based hedging, and the empirical analysis focuses on daily returns of the S&P 500 index. The implementations also employ a binary risk management framework, the purpose of which is to theoretically reduce estimation risk.

The forecast signal is translated into investments in four ways: without a decision layer, with Kelly sizing, with options hedging, and with a combined Kelly-plus-options specification. Strategy performance is evaluated using total return and the Sharpe ratio.

The results show that machine learning model outperform econometric models on average in terms of both return and risk-adjusted performance. Kelly-type sizing provides the largest improvement in total return, especially when applied to machine learning forecast. Options-based hedging, in turn, contributes more to risk-adjusted performance than to final wealth maximization. The combined Kelly-plus-options specification suggests that position sizing and downside protection can complement each other in forecast-based portfolio construction.

Markkinatuottoennusteisiin perustuvien strategioiden parantamista tarkastellaan lisäämällä ennustesignaalin päälle erillinen päätöksentekokerros. Tutkielmassa analysoidut päätöksentekokerrokset ovat Kelly-tyyppinen position koon määrittäminen sekä optioihin perustuva suojaus, ja empiirinen tarkastelu kohdistuu S&P 500 -indeksin päivittäisiin tuottoihin. Toteutuksissa hyödynnetään binääristä riskienhallinta kehikkoa, jonka tavoitteena on teoreettisesti vähentää estimointiriskiä.

Ennustesignaali muunnetaan sijoituksiksi neljällä tavalla: ilman päätöskerrosta, Kelly-mitoituksella, optiosuojauksella sekä näitä yhdistävällä Kelly-plus-optio -ratkaisulla. Strategioiden suorituskykyä arvioidaan kokonaistuoton ja Sharpen luvun avulla.

Tulokset osoittavat, että koneoppimismalli menestyy keskimäärin ekonometrisiä malleja paremmin sekä tuoton että riskikorjatun suorituskyvyn näkökulmasta. Kelly-tyyppinen mitoitus tuottaa suurimman parannuksen kokonaistuottoon erityisesti silloin, kun sitä sovelletaan koneoppimismallin ennusteisiin. Optioihin perustuva suojaus puolestaan tukee enemmän riskikorjattua suorituskykyä kuin loppuvarallisuuden maksimointia. Yhdistetty Kelly-plus-optio -toteutus viittaa siihen, että position koon säätely ja downside-suojaus voivat täydentää toisiaan ennustepohjaisessa portfolion rakentamisessa.