Using neural networks for estimating stock closing prices in Icelandic markets and relations with stock autocorrelation

Íslenskur hlutabréfamarkaður hefur ákveðna sérstöðu vegna smæðar sinnar og takmarkaðra fjölda breytna sem hafa áhrif á hann í samanburði við erlenda markaði. Í verkefninu er gerð tilraun til þess að nota marglagskipt skynjunarnet (MLP tauganet) til spákaupa á íslenskum hlutabréfamarkaði með því að nota einungis söguleg gögn til þjálfunar. Rannsakað var einnig hvort tenging gæti verið milli velgengni tauganetanna á prófunartímabili og merkjafræðilegra eiginleika hlutabréfaverðs, svo sem aflrófsþéttleika og sjálffylgni. Notast var við tvö mismunandi tauganet, annars vegar var hannað einfalt MLP tauganet sem flokkaði útkomur hlutabréfaverðs í tvo flokka, hækkun- og lækkun hlutabréfaverðs. Hins vegar var notast við sérstakan hugbúnað við þróun flóknara MLP tauganets sem flokkaði útkomur hlutabréfaverðs í þrjá flokka, hækkun-, óbreytt- og lækkun hlutabréfaverðs. Rannsakað var þá sérstaklega hvort það hefði áhrif hversu marga daga aftur í tímann tauganetin horfðu við þjálfun. Notast var við þrjár aðferðir við mat á velgengni tauganetanna; skekkju, nákvæmni og ávöxtun fjárfestingarstefna sem hannaðar voru fyrir tauganetin á prófunartímabili. Niðurstöður benda til þess að nákvæmni og skekkja séu ekki áreiðanlegar mælieiningar miðað við þær forsendur sem unnið var út frá við öflun og úrvinnslu gagna. Sé miðast við ávöxtun fjárfestingarstefna sem þróaðar voru fyrir tauganetin er útkoman almennt talsvert betri en fyrir hefðbundnar fjárfestingarstefnur, sér í lagi á tímabili niðursveiflu á markaði sem prófunartímabilið var hluti af. Fyrir ákveðin hlutabréf, sér í lagi ICEAIR sem hafði einna hæsta ávöxtun má bersýnilega greina ákveðna reglu frá sjálffylgni og aflrófsþéttleika. Niðurstöður geta þó verið tvíræðar en verkefni þetta vekur upp ýmsa möguleika fyrir frekari rannsóknar- og þróunarvinnu við notkun tauganeta tilæ spákaupa á íslenskum hlutabréfamarkaði vegan þeirrar sérstöðu sem hann hefur.The Icelandic stock market has a certain uniqueness because of its narrow size and limited number of variables that influence it compared to foreign markets. This project aims to use multilayered perceptron (MLP) neural networks to speculative trading on the Icelandic stock market by using only historical data for training. Possible relations between the networks success in forecasting stock price and stock price autocorrelation and power spectrum are also investigated. Two different MLP neural networks are used, firstly a custom made simple classification network with two classes, increased- and decreased stock price. Secondly, a more complicated classification network using a software with three classes, increased-, no change in- and decreased stock price. Investigations were done to see if the number of days used as inputs were significant to the results. Three different methods for assessing the MLP’s success were measured; accuracy, error and annual returns from trading strategies developed for the networks. Accuracy and error turned out to be an unreliable measurements of success due to data setup and data processing. Returns from trading strategies were in general higher than traditional trading strategies in the networks test period and in some cases quite generous considering the market downswing during testing. For some stocks, especially ICEAIR which had on average the highest returns, clear signs of repetition can be seen from the autocorrelation and power spectrums. Results can be equivocal but this project raises further questions and gives way to additional research projects regarding the use of neural networks for speculative trading in the Icelandic stock market