Jämförelse av maskininlärningsmodeller för att förutspå marknaden med olika tidshorisonter

Stock market prediction is, when successful, a means of generating large amount of wealth. It remains an unanswered question if stock prices can be predicted consistently, due to the randomness and seemingly unpredictable nature of stock prices. A previous study has shown that using machine learning they were able to predict with high accuracy whether stocks on the Indian stock exchange BSE Sensex would increase or decrease in price the following trading day. They compared several machine learning models which were all trained using technical indicators from the stocks they researched. They also introduced a method of converting continuous valued technical indicators into discrete values and found it to improve the accuracy of the models. In this thesis we apply a similar method, using technical indicators converted into discrete values, to model and compare different models on stocks listed on American stock exchanges. We also compare models when predicting stock price movements ten and 30 days into the future, instead of just one. Our results do not show the same high accuracies seen in the previous study. Overall, we found that the simple strategy of always predicting that a stock’s price will increase the following trading day provided higher accuracy than using a model. Our results are therefore in support of the random walk theory, which states that stock prices evolve randomly and therefore cannot be predicted. Att kunna förutspå aktiemarknaden vore ett sätt att generera stora summor pengar. På grund av de till synes slumpmässiga rörelserna av aktiepriser så har frågan om det ens är möjligt att förutspå aktiemarknaden förblivit en obesvarad fråga. En tidigare studie har lyckats uppnå väldigt hög precision när de använde maskininlärning för att förutspå aktiers rörelser på den indiska börsen BSE Sensex. Studien jämförde ett flertal modeller som alla tränades med hjälp av tekniska indikatorer, beräknade utifrån aktiepriserna. Studien introducerade också en metod där de konverterar de tekniska indikatorernas värden till diskreta värden som endast beskriver "upp" eller ner", i syfte att göra det enklare för modellerna att lära sig från informationen. I denna studie applicerar vi en likartad metod, där vi använder tekniska indikatorer, för att modellera och jämföra flera modeller på aktier listade på amerikanska börser. Vi jämför också modellernas precision när de försöker förutspå prisrörelser längre fram i tiden än enbart en dag. Våra resultat visar inte lika hög precision som den tidigare studien. I snitt gav den enkla strategin, att alltid förutspå att ett aktiepris kommer att öka, en bättre precision än någon av modellerna. Våra resultat kan därför anses vara empiriskt belägg på teorin som på engelska kallas The Random Walk Theory, som säger att aktiepriser rör sig slumpmässigt och därför inte går att förutspå