Comparing machine learning algorithm performance for automated trading based on fundamentals

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.

Ficha do documento

Tipo

Dissertação

Ano

2019

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/27899

Temas

EconomiaDados

Palavras-chave

Machine learningExtreme gradient boostingSupport vector machineRandom forestsLinear regressionLassoBacktestingStocksFundamentalsRegressão linearAçõesFundamentosEconomiaAprendizado do computadorAções (Finanças)Análise de regressãoModelos lineares (Estatística)Modelos não lineares (Estatística)