Machine learning applied to stock price forecasting

Beurskoersen voorspellen met Machine Learning

Het voorspellen van financiële markten is een van de meest uitdagende problemen in de financiële sector, vanwege het inherent niet-stationaire marktgedrag en de invloed van talrijke factoren, waaronder economische indicatoren, politieke gebeurtenissen, beleggerssentiment en onvoorziene omstandigheden. In haar promotieonderzoek keek Htet Htet Htun naar de toepassing van machine learning (ML)-modellen bij het voorspellen welke aandelen met een bepaalde marge beter zullen presteren dan de marktindex, met een focus op alle S&P 500-aandelen tijdens de volatiele periode (2017 – 2022), die met name werd beïnvloed door de Covid-19-pandemie.

Door middel van rigoureuze computationele analyses evalueert Htun de prestaties van ML-modellen bij het voorspellen van relatieve rendementen voor verschillende strategieën. Uit de bevindingen blijkt dat ML-modellen, gebaseerd op tijdreeksgegevens en technische indicatoren, beter presteren dan willekeurige aandelenselectie, waardoor conventionele markttheorieën zoals de Efficient Market Hypothesis en de Random Walk Hypothesis, ter discussie worden gesteld.

Htet Htet Htun voerde haar onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Intelligente Systemen. 

Proefschrift: https://hdl.handle.net/11370/78ca8033-dcc2-4735-bb7f-b875e9f2f744