Neuroverkkopohjaisen sijoitusstrategian hyödyntäminen indeksiosuusrahaston ennustamisessa
Heiskanen, Junno (2017)
2017
Kauppatieteiden tutkinto-ohjelma - Degree Programme in Business Studies
Johtamiskorkeakoulu - Faculty of Management
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2017-12-21
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:uta-201712293031
https://urn.fi/URN:NBN:fi:uta-201712293031
Tiivistelmä
Tässä tutkimuksessa selvitetään, voiko koulutettua keinotekoista neuroverkkoa hyödyntää indeksiosuusrahaston ennustamisessa. Tutkimuksen teoriataustana käytetään tehokkaiden markkinoiden hypoteesia. Markkinoiden toimiessa tehokkaasti kaikki julkinen ja yrityksen arvon kannalta oleellinen uusi tieto heijastuu välittömästi ja täysimääräisesti arvopapereiden hintoihin. Tehokkailla markkinoilla yksittäinen sijoittaja ei voi saavuttaa säännöllisesti markkinoiden riskikorjattua tuottoa ylittävää ylituottoa.
Tutkimuksen teoriaosuus perustuu rahoituksen taloustieteeseen ja menetelmäosuus koneoppimiseen. Tutkimusmenetelmänä käytetään keinotekoista neuroverkkoa, joka koulutetaan oppimaan rahoitusmarkkinoilta saatavien syötteiden avulla hinnan muodostumisen mekanismia. Koulutuksessa opittua mekanismia hyödynnetään seuraavan päivän indeksiosuusrahaston hintojen ennustamisessa. Oppimisalgoritmina käytetään Levenberg-Marquardt algoritmia. Algoritmin ennusteita muokataan erilaisten sijoitusstrategioiden avulla tarkempien ennusteiden saavuttamiseksi.
Tämän tutkimuksen kohteena ovat pörssinoteeratun iShares Core S&P 500 -rahaston päätöskurssihinnat vuodesta 2005 vuoden 2015 loppuun. Aineistona käytetään S&P 500 -indeksistä johdettua historiallista aikasarja-aineistoa 1950-luvulta lähtien. Tutkimuksen mukaan neuroverkkoa voidaan hyödyntää iShares Core S&P 500 -indeksiosuusrahaston tuottojen suunnan ennustamisessa. Transaktiokustannusten ollessa alhaiset neuroverkosta johdetuilla ennusteilla saavutetaan hyviä tuottoja, muttei kuitenkaan markkinoiden riskikorjattua tuottoa ylittävää ylituottoa.
Tutkimuksen teoriaosuus perustuu rahoituksen taloustieteeseen ja menetelmäosuus koneoppimiseen. Tutkimusmenetelmänä käytetään keinotekoista neuroverkkoa, joka koulutetaan oppimaan rahoitusmarkkinoilta saatavien syötteiden avulla hinnan muodostumisen mekanismia. Koulutuksessa opittua mekanismia hyödynnetään seuraavan päivän indeksiosuusrahaston hintojen ennustamisessa. Oppimisalgoritmina käytetään Levenberg-Marquardt algoritmia. Algoritmin ennusteita muokataan erilaisten sijoitusstrategioiden avulla tarkempien ennusteiden saavuttamiseksi.
Tämän tutkimuksen kohteena ovat pörssinoteeratun iShares Core S&P 500 -rahaston päätöskurssihinnat vuodesta 2005 vuoden 2015 loppuun. Aineistona käytetään S&P 500 -indeksistä johdettua historiallista aikasarja-aineistoa 1950-luvulta lähtien. Tutkimuksen mukaan neuroverkkoa voidaan hyödyntää iShares Core S&P 500 -indeksiosuusrahaston tuottojen suunnan ennustamisessa. Transaktiokustannusten ollessa alhaiset neuroverkosta johdetuilla ennusteilla saavutetaan hyviä tuottoja, muttei kuitenkaan markkinoiden riskikorjattua tuottoa ylittävää ylituottoa.