Tukivektorikoneen luokitteluongelman valinnan merkitys osakemarkkinoiden ennustamisessa

Abstract

Tutkielma käsittelee tukivektorikoneen luokitteluongelman valinnan merkitystä osakemarkkinoiden ennustamisessa. Aikaisempia tutkimuksia erilaisista luokitteluongelmista on vähän, mikä nostaa esille tarpeen tämän aiheen tutkimisen. Uutta keskihajontasuhteutettua luokitteluongelmaa verrataan aikaisemmissa tutkimuksissa suosittuun seuraavan päivän suuntaa ennustavaan luokitteluongelmaan. Tukivektorikoneiden ominaisuudet valitaan aikaisempien tutkimusten perusteella ja niiden tarkkuutta verrataan toisiinsa sekä vertailuindeksinä käytettävään DAX-osakeindeksiin. Ennustemalleista muodostetaan aktiivisia kaupankäyntistrategioita, joita analysoidaan taustatestaamalla käyttäen historiallista kurssidataa. Tulokset osoittavat uuden keskihajontasuhteutetun luokitteluongelman johtavan huomattavasti parempiin tuloksiin sekä korostavan tarvetta jatkotutkimuksille erilaisista luokitteluongelmista.

This thesis examines the impact of support vector machine's classification problem selection on stock market forecasting. Previous research on different types of classification problems has been minimal which raises the need for research on this topic. A new standard deviation adjusted classification problem is compared against a popular next day's direction forecasting classification problem. The feature engineering for the support vector machines is based on previous research and they are compared against each other as well as the benchmark stock market index DAX. The forecasting models are used to form active trading strategies that are analysed with backtesting using historical price data. The results demonstrate that the new standard deviation adjusted classification problem produces significantly better results and highlight the need for further studies on different types of classification problems.