Osakekurssien ennustaminen koneoppimisen menetelmillä

Abstract

Osakemarkkinoiden ennustaminen ja ennustettavuus on ollut polttava kysymys sijoittajien ja tutkijoiden keskuudessa jo vuosikymmeniä. Tekoälyn suosion kasvun myötä koneoppimisen menetelmistä on pyritty löytämään keinoja ennustamiseen. Tässä tutkielmassa tutustutaan osakemarkkinoiden ennustettavuuteen liittyvään teoriaan ja toteutetaan vertaileva empiirinen tutkimus ennusteiden välillä, jotka ovat toteutettu tunnetuilla koneoppimisen menetelmillä. Saatuja tuloksia verrataan naiiviin ennustusmenetelmään ja tulosten pohjalta pohditaan osakemarkkinoiden ennustettavuutta.

Stock market predictability has been a relevant topic for decades for both investors and academic researchers. The risen popularity of artificial intelligence has lead to attempts to forecast stock market using machine learning algorithms. In this thesis, we first familiarize ourselves with the relevant theory of market predictability and then conduct an empirical test comparing the performance of forecasts that are made by using known machine learning algorithms. The results are also compared to forecasts using naive forecasting mehtod. Finally we reflect stock market predictablility based on the results.