On the Utilization of Machine Learning in Asset Return Prediction on Limited Datasets

Abstract

In this thesis, we conduct a comparative analysis of how various modern ma- chine learning techniques perform when employed to asset return prediction on a relatively small sample. We consider a broad selection of machine learn- ing methods, including e.g. elastic nets, random forests or recently highly popularized neural networks. We find that these methods fail to outperform a simple linear model containing only 5 factors and estimated via ordinary least squares. Our conclusion is that applications of machine learning in fi- nance should be conducted carefully, because the techniques may not actually be as powerful as one might think when they are applied under unfavorable circumstances. JEL Classification C45, C52, C53, C58, G12 Keywords asset pricing, machine learning, return predic- tion, regression, decision tree, random forest, neural network Title On the Utilization of Machine Learning in Asset Return Prediction on Limited Datasets Author's e-mail petrasek.lks@gmail.com Supervisor's e-mail barunik@fsv.cuni.cz

V této diplomové práci provádíme komparativní analýzu toho, jak moderní metody strojového učení dokáží predikovat výnosy aktiv při použití malého množství data. Mezi použitými metodami jsou například elastic nets, náhodné lesy, nebo neuronové sít'ě. Konstatujeme, že tyto metody nedokáźí prediko- vat lépe než jednoduchý lineární model obsahující pouze 5 faktorů. Moderní machine learning metody by se tedy měly aplikovat velmi opatrně, nebot' ne- musí bý tak silné, jak by se mohlo zdát, pokud je aplikujeme za nepříznivých podmínek. Klasifikace JEL C45, C52, C53, C58, G12 Klíčová slova oceňování aktiv, strojové učení, predikce výnosů, regrese, rozhodovací strom, náhodný les, neuronová sít' Název práce Využívání Strojového Učení pro Predikci Výnosů Aktiv při Použití Omezených Datasetů E-mail autora petrasek.lks@gmail.com E-mail vedoucího práce barunik@fsv.cuni.cz