Using Fundamental Analysis and an Ensemble of Classifier Models Along with a Risk-Off Filter to Select Outperforming Companies (eBook)
XI, 71 Seiten
Springer-Verlag
978-3-031-62061-4 (ISBN)
This book develops a quantitative stock market investment methodology using financial indicators that beats the benchmark of S&P500 index. To achieve this goal, an ensemble of machine learning models is meticulously constructed, incorporating four distinct algorithms: support vector machine, k-nearest neighbors, random forest, and logistic regression. These models all make use of financial ratios extracted from company financial statements for the purposes of predictive forecasting. The ensemble classifier is subject to a strict testing of precision which compares it to the performance of its constituent models separately. Rolling window and cross-validation tests are used in this evaluation in order to provide a comprehensive assessment framework. A risk-off filter is developed to limit risk during uncertain market periods, and consequently to improve the Sharpe ratio of the model. The risk adjusted performance of the final model, supported by the risk-off filter, achieves a Sharpe ratio of 1.63 which surpasses both the model’s performance without the filter that delivers Sharpe ratio of 1.41 and the one from the S&P500 index of 0.80. The substantial increase in risk-adjusted returns is accomplished by reducing the model’s volatility from an annual standard of deviation of 15.75% to 11.22%, which represents an almost 30% decrease in volatility.
| Erscheint lt. Verlag | 18.6.2024 |
|---|---|
| Reihe/Serie | Synthesis Lectures on Technology Management & Entrepreneurship |
| Zusatzinfo | XI, 71 p. 44 illus., 43 illus. in color. |
| Sprache | englisch |
| Themenwelt | Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik |
| Mathematik / Informatik ► Mathematik | |
| Technik ► Bauwesen | |
| Wirtschaft | |
| Schlagworte | Computational Finance • ensemble method • machine learning • Predictive Forecasting • Value Investing |
| ISBN-10 | 3-031-62061-5 / 3031620615 |
| ISBN-13 | 978-3-031-62061-4 / 9783031620614 |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
