Exploiting Momentum in European Equity Markets: A Machine Learning Approach

Abstract

This thesis investigates whether machine learning models can improve the per- formance of momentum investment strategies in large-cap European equity markets. Using monthly data for 312 constituents of selected major European stock indices over the 2009-2024 period, predictive models are developed to forecast one-month-ahead stock returns based on momentum and other stock characteristics. Ordinary least squares regression (OLS), Extreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM) networks are evaluated against a traditional momentum benchmark using an expanding- window out-of-sample framework. The models are compared in terms of both predictive and economic performance. All three predictive models outperform the benchmark strategy. The linear OLS model achieves the highest realized returns, and XGBoost delivers the strongest risk-adjusted performance. Over- all, the findings suggest that the observed improvements over the traditional momentum benchmark are primarily associated with combining multiple stock characteristics within a predictive modelling framework rather than increasing model complexity alone. JEL Classification C45, C53, G11, G12, G14 Keywords momentum e!ect, European equity markets, stock return forecasting, machine learning, LSTM, XGBoost, portfolio strategy...

Tato práce zkoumá, zda mohou modely strojového u!ení zlep"it v#konnost mo- mentum strategií na evropsk#ch akciov#ch trzích s velkou tr$ní kapitalizací. Na základ% m%sí!ních dat zahrnujících 312 spole!ností z vybran#ch hlavních evrop- sk#ch akciov#ch index& v období 2009-2024 jsou vytvo'eny predik!ní modely pro p'edpov%( v#nos& akcií na jednom%sí!ním horizontu, vyu$ívající momen- tum a dal"í charakteristiky firem. Regrese metodou nejmen"ích !tverc& (OLS), model Extreme Gradient Boosting (XGBoost) a rekurentní neuronová sí) Long Short-Term Memory (LSTM) jsou porovnávány s tradi!ní momentum strategií v rámci out-of-sample p'ístupu s roz"i'ujícím se odhadovacím oknem. Mod- ely jsou porovnávány z hlediska predik!ní i ekonomické v#konnosti. V"echny t'i predik!ní modely p'ekonávají tradi!ní benchmarkovou strategii. Lineární model OLS dosahuje nejvy""ích realizovan#ch v#nos& a XGBoost vykazuje ne- jlep"í v#konnost o!i"t%nou o riziko. Celkov% v#sledky nazna!ují, $e pozorované zlep"ení oproti tradi!ní momentum strategii souvisí p'edev"ím s vyu$itím více charakteristik firem v predik!ním modelu, nikoli pouze s vy""í komplexitou modelu. Klasifikace JEL C45, C53, G11, G12, G14 Klí!ová slova momentum efekt, evropské akciové trhy, predikce akciov#ch v#nos&, strojové u!ení, LSTM, XGBoost, portfoliová strategie...