Jämförelse av maskininlärningsmetoder för att förutspå aktieprisrörelser
Sammanfattning: Att förutspå aktiepriser är något som undersökts i hundra- tals år och kan användas som grund för investeringsbeslut. Under senare år har maskininlärning applicerats på detta problem vilket gjort att ett flertal metoder föreslagits och den elektroniska handelns införande har gjort att högupp- löst data med nanosekundsprecision blivit tillgänglig. I den- na rapport presenteras resultat av en jämförande studie av klassificeringsmetoder som föreslagits för att förutspå ak- tieprisernas rörelser. Högupplöst data för fyra olika aktier från Stockholmsbörsen har använts för att jämföra tre olika metoder. Resultaten visar att det på grund av datas fördelning är svårt att uppnå ett tillfredsställande resultat. Priserna rör sig relativt sett mer sällan när högupplöst data används, vilket gör att ett fåtal felklassificeringar kan göra modellen otillräcklig. Skillnaderna mellan metodernas resultat anty- der dock att valet av indikatorer har stor betydelse och för vidare forskning kan det vara relevant att undersöka såväl innehåll i indata som metoder för att hantera den ojämna fördelningen. Vidare har en litteraturstudie genomförts för att un- dersöka den elektroniska handels bakgrund, syfte och på- verkan. Även om detta inte tycks ha varit det ursprungliga syftet i alla fall verkar den elektroniska handeln ha lett till mer effektiva marknader med lägre transaktionskostnader.
HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)