Comparing machine learning algorithm performance for automated trading based on fundamentals

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Mattos, Daniel Lins
Orientador(a): Rochman, Ricardo Ratner
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Regressão linear
Ações
Fundamentos
Palavras-chave em Inglês:
Machine learning
Extreme gradient boosting
Support vector machine
Random forests
Linear regression
Lasso
Backtesting
Stocks
Fundamentals
Link de acesso: https://hdl.handle.net/10438/27899
Resumo: Aplicações recentes de machine learning em finanças têm destacado a capacidade dessas técnicas em prever retornos de ativos. Neste artigo, comparamos diferentes metodologias de machine learning na previsão de retornos de ações durante vários períodos de um mês, com base em fundamentos e dados de preço. Para isso, os modelos ajustados são aplicados em uma estratégia de negociação simulada (“backtest”). Resultados preliminares sugerem que algoritmos não lineares como Random Forests, Extreme Gradient Boosting e Support Vector Machine podem ser superiores a algoritmos lineares como Regressão Linear e Lasso ao prever retornos de ações. Contudo, para o conjunto de fatores estudado neste artigo e para os ativos analisados, estes algoritmos não apresentam performance superior a uma estratégia de buy-and-hold para a maior parte dos ativos.
id FGV_0faf401ea2a0e512484ad27cf17165ca
oai_identifier_str oai:repositorio.fgv.br:10438/27899
network_acronym_str FGV
network_name_str Repositório Institucional do FGV (FGV Repositório Digital)
repository_id_str
spelling Mattos, Daniel LinsEscolas::EESPMirapalheta, Gustavo CorrêaPonczek, Vladimir PinheiroRochman, Ricardo Ratner2019-08-22T14:00:46Z2019-08-22T14:00:46Z2019-07-05https://hdl.handle.net/10438/27899Aplicações recentes de machine learning em finanças têm destacado a capacidade dessas técnicas em prever retornos de ativos. Neste artigo, comparamos diferentes metodologias de machine learning na previsão de retornos de ações durante vários períodos de um mês, com base em fundamentos e dados de preço. Para isso, os modelos ajustados são aplicados em uma estratégia de negociação simulada (“backtest”). Resultados preliminares sugerem que algoritmos não lineares como Random Forests, Extreme Gradient Boosting e Support Vector Machine podem ser superiores a algoritmos lineares como Regressão Linear e Lasso ao prever retornos de ações. Contudo, para o conjunto de fatores estudado neste artigo e para os ativos analisados, estes algoritmos não apresentam performance superior a uma estratégia de buy-and-hold para a maior parte dos ativos.Recent applications of machine learning in finance have highlighted the capacity of these techniques to predict asset returns. In this article, we compare different machine learning methodologies in forecasting stock returns over several one-month periods, based on fundamentals and price data. For this purpose, the fitted models are applied in a simulated trading strategy (“backtest”). Preliminary results suggest that nonlinear algorithms such as Random Forests, Extreme Gradient Boosting and Support Vector Machine may be superior to linear algorithms such as Linear Regression and Lasso in predicting stock returns. However, for the set of factors studied in this article and for the assets analyzed, these algorithms do not perform better than a buy-and-hold strategy for most assets.engMachine learningExtreme gradient boostingSupport vector machineRandom forestsLinear regressionLassoBacktestingStocksFundamentalsRegressão linearAçõesFundamentosEconomiaAprendizado do computadorAções (Finanças)Análise de regressãoModelos lineares (Estatística)Modelos não lineares (Estatística)Comparing machine learning algorithm performance for automated trading based on fundamentalsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALDissertação_-_Daniel_Mattos_-_v24.pdfDissertação_-_Daniel_Mattos_-_v24.pdfPDFapplication/pdf904626https://repositorio.fgv.br/bitstreams/1caefcec-1dac-4fc0-a70f-4170689ef45d/download32c0187d42b670071e1804b3e9aea201MD58LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/e98f76f4-933b-4e98-ac0c-cad174d3a731/downloaddfb340242cced38a6cca06c627998fa1MD59TEXTDissertação_-_Daniel_Mattos_-_v24.pdf.txtDissertação_-_Daniel_Mattos_-_v24.pdf.txtExtracted texttext/plain44352https://repositorio.fgv.br/bitstreams/adf0cb2e-d7cf-4174-8059-403d61f2fb23/downloadf0f8a3621fecb09162d6cb20cdad65a6MD512THUMBNAILDissertação_-_Daniel_Mattos_-_v24.pdf.jpgDissertação_-_Daniel_Mattos_-_v24.pdf.jpgGenerated Thumbnailimage/jpeg2301https://repositorio.fgv.br/bitstreams/ed9b92be-42e8-4a36-9a21-bd78a7a784ef/downloadf44d020499f235f2a5d74c2c99af3e89MD51310438/278992023-11-25 03:37:44.572open.accessoai:repositorio.fgv.br:10438/27899https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T03:37:44Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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
dc.title.eng.fl_str_mv Comparing machine learning algorithm performance for automated trading based on fundamentals
title Comparing machine learning algorithm performance for automated trading based on fundamentals
spellingShingle Comparing machine learning algorithm performance for automated trading based on fundamentals
Mattos, Daniel Lins
Machine learning
Extreme gradient boosting
Support vector machine
Random forests
Linear regression
Lasso
Backtesting
Stocks
Fundamentals
Regressão linear
Ações
Fundamentos
Economia
Aprendizado do computador
Ações (Finanças)
Análise de regressão
Modelos lineares (Estatística)
Modelos não lineares (Estatística)
title_short Comparing machine learning algorithm performance for automated trading based on fundamentals
title_full Comparing machine learning algorithm performance for automated trading based on fundamentals
title_fullStr Comparing machine learning algorithm performance for automated trading based on fundamentals
title_full_unstemmed Comparing machine learning algorithm performance for automated trading based on fundamentals
title_sort Comparing machine learning algorithm performance for automated trading based on fundamentals
author Mattos, Daniel Lins
author_facet Mattos, Daniel Lins
author_role author
dc.contributor.unidadefgv.por.fl_str_mv Escolas::EESP
dc.contributor.member.none.fl_str_mv Mirapalheta, Gustavo Corrêa
Ponczek, Vladimir Pinheiro
dc.contributor.author.fl_str_mv Mattos, Daniel Lins
dc.contributor.advisor1.fl_str_mv Rochman, Ricardo Ratner
contributor_str_mv Rochman, Ricardo Ratner
dc.subject.eng.fl_str_mv Machine learning
Extreme gradient boosting
Support vector machine
Random forests
Linear regression
Lasso
Backtesting
Stocks
Fundamentals
topic Machine learning
Extreme gradient boosting
Support vector machine
Random forests
Linear regression
Lasso
Backtesting
Stocks
Fundamentals
Regressão linear
Ações
Fundamentos
Economia
Aprendizado do computador
Ações (Finanças)
Análise de regressão
Modelos lineares (Estatística)
Modelos não lineares (Estatística)
dc.subject.por.fl_str_mv Regressão linear
Ações
Fundamentos
dc.subject.area.por.fl_str_mv Economia
dc.subject.bibliodata.por.fl_str_mv Aprendizado do computador
Ações (Finanças)
Análise de regressão
Modelos lineares (Estatística)
Modelos não lineares (Estatística)
description Aplicações recentes de machine learning em finanças têm destacado a capacidade dessas técnicas em prever retornos de ativos. Neste artigo, comparamos diferentes metodologias de machine learning na previsão de retornos de ações durante vários períodos de um mês, com base em fundamentos e dados de preço. Para isso, os modelos ajustados são aplicados em uma estratégia de negociação simulada (“backtest”). Resultados preliminares sugerem que algoritmos não lineares como Random Forests, Extreme Gradient Boosting e Support Vector Machine podem ser superiores a algoritmos lineares como Regressão Linear e Lasso ao prever retornos de ações. Contudo, para o conjunto de fatores estudado neste artigo e para os ativos analisados, estes algoritmos não apresentam performance superior a uma estratégia de buy-and-hold para a maior parte dos ativos.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-08-22T14:00:46Z
dc.date.available.fl_str_mv 2019-08-22T14:00:46Z
dc.date.issued.fl_str_mv 2019-07-05
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10438/27899
url https://hdl.handle.net/10438/27899
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional do FGV (FGV Repositório Digital)
instname:Fundação Getulio Vargas (FGV)
instacron:FGV
instname_str Fundação Getulio Vargas (FGV)
instacron_str FGV
institution FGV
reponame_str Repositório Institucional do FGV (FGV Repositório Digital)
collection Repositório Institucional do FGV (FGV Repositório Digital)
bitstream.url.fl_str_mv https://repositorio.fgv.br/bitstreams/1caefcec-1dac-4fc0-a70f-4170689ef45d/download
https://repositorio.fgv.br/bitstreams/e98f76f4-933b-4e98-ac0c-cad174d3a731/download
https://repositorio.fgv.br/bitstreams/adf0cb2e-d7cf-4174-8059-403d61f2fb23/download
https://repositorio.fgv.br/bitstreams/ed9b92be-42e8-4a36-9a21-bd78a7a784ef/download
bitstream.checksum.fl_str_mv 32c0187d42b670071e1804b3e9aea201
dfb340242cced38a6cca06c627998fa1
f0f8a3621fecb09162d6cb20cdad65a6
f44d020499f235f2a5d74c2c99af3e89
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)
repository.mail.fl_str_mv
_version_ 1827842442969219072

Registros relacionados