Online intra-day portfolio optimization using regime based models
(2019) FMSM01 20182Mathematical Statistics
- Abstract
- In this thesis model predictive control (MPC) is used to dynamically optimize a portfolio where the data is sampled every 5 minutes. Previous research has shown how MPC optimization applied to daily sampled financial data can generate a portfolio that exceeds the value of standard portfolio strategies such as Strategic asset allocation. MPC has been found to have a computational advantage when return forecasts are updated every time a new observation becomes available. A two-state Hidden Markov Model with time varying parameters is used to forecast the financial return of a market index. The portfolio optimization is performed using both single period and multi-period forecasts where the only other asset is a zero interest rate cash... (More)
- In this thesis model predictive control (MPC) is used to dynamically optimize a portfolio where the data is sampled every 5 minutes. Previous research has shown how MPC optimization applied to daily sampled financial data can generate a portfolio that exceeds the value of standard portfolio strategies such as Strategic asset allocation. MPC has been found to have a computational advantage when return forecasts are updated every time a new observation becomes available. A two-state Hidden Markov Model with time varying parameters is used to forecast the financial return of a market index. The portfolio optimization is performed using both single period and multi-period forecasts where the only other asset is a zero interest rate cash account. Transaction costs are included to better reflect market conditions and to address estimation errors in the forecasts. The MPC portfolios are found to outperform a buy and hold strategy in the market index, displaying both higher returns and lower risk. The multi-period portfolios display lower returns and similar risk to the single period portfolio while having a smaller turnover. This led to the conclusion that the two-state Gaussian HMM provides sub par multi-period forecasts on the 5 minute sampled market index. The forecasting method is found to be very sensitive to the manual choice of hyperparameters. (Less)
- Popular Abstract (Swedish)
- Genom att utnyttja vissa strukturer i den finansiella marknaden kan man skapa prognoser för finansiella instrument. Prognoserna man kan man utnyttja i in en algoritm som optimerar en portfölj av olika instrument. Resultatet är en portfölj som över mer i värde än själva instrumentet.
Vi har all hört att man bör spara pengar inför pensionen. Många väljer att spara pengar genom att placera pengarna i en så kallad pensionsfond. Men vad händer egentligen med pengarna i pensionsfonden? En fond består av en samling innehav i olika finansiella instrument som till exempel aktier och obligationer. Denna samling kallas en portfölj. För att se till att det finns pengar kvar i fonden (och förhoppningsvis mer än vad man satte in!) när det är dags för... (More) - Genom att utnyttja vissa strukturer i den finansiella marknaden kan man skapa prognoser för finansiella instrument. Prognoserna man kan man utnyttja i in en algoritm som optimerar en portfölj av olika instrument. Resultatet är en portfölj som över mer i värde än själva instrumentet.
Vi har all hört att man bör spara pengar inför pensionen. Många väljer att spara pengar genom att placera pengarna i en så kallad pensionsfond. Men vad händer egentligen med pengarna i pensionsfonden? En fond består av en samling innehav i olika finansiella instrument som till exempel aktier och obligationer. Denna samling kallas en portfölj. För att se till att det finns pengar kvar i fonden (och förhoppningsvis mer än vad man satte in!) när det är dags för pensionen måste någon eller några välja vilka saker portföljen ska bestå av och hur stor andel av varje sak. Den finansiella marknaden är väldigt svår att förutse, vilket gör dessa val väldigt viktiga.
Man kan använda matematisk modell som heter Dold Markovmodell försöka förutse var marknaden är på väg. Modellen utnyttjar att marknaden ibland tenderar att gå upp och ibland tenderar att gå ner. Dessa rörelser kallas regimer. Genom att skatta sannolikheterna att röra sig från en regim till en annan samt regimernas medelvärde och varians kan man få prognoser om hur priset kommer bete sig i framtiden. Prognoserna man får från modellen stoppar man sedan in en optimeringsalgoritm. Algoritmen optimerar sedan så att portföljen så att ska öka så mycket som möjligt i värde. Att köpa och sälja finansiella aktier kostar oftast en summa, en så kallad transaktionskostnad. Vi inför därför en straffterm för transaktionskostnad i optimeringsalgoritmen. Oftast bryr man sig som investerare inte bara om värdeökningen, utan också om risken på investeringen. Risken beskriver hur mycket priset på tillgången kan tänkas röra på sig i framtiden. Vi för därför in en straffterm även för risken.
När man optimerar portföljen kan man titta på ett steg och många steg in i framtiden. Fördelen att titta många steg in i framtiden är att vi kan planera köpande och säljande över många perioder och på det sättet minska antal misstag i from av dåliga transaktioner.
Genom att tillämpa dessa metoder på en aktie vars pris har mätts var femte minut under ett år, kan man få en portfölj som ger mer pengar och mindre risk än om man bara köpte och ägde aktien. Portföljen lyckas till och med gå med positivt resultat överlag under perioder då aktien går med negativt resultat. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/8972097
- author
- Hafström Fremlin, Sara LU
- supervisor
- organization
- course
- FMSM01 20182
- year
- 2019
- type
- H3 - Professional qualifications (4 Years - )
- subject
- keywords
- Multi-period portfolio selection, Model predictive control, Hidden Markov model
- ISSN
- 1404-6342
- language
- English
- additional info
- Examinator: Magnus Wiktorsson
- id
- 8972097
- date added to LUP
- 2019-04-25 11:03:11
- date last changed
- 2019-04-25 11:03:11
@misc{8972097,
abstract = {{In this thesis model predictive control (MPC) is used to dynamically optimize a portfolio where the data is sampled every 5 minutes. Previous research has shown how MPC optimization applied to daily sampled financial data can generate a portfolio that exceeds the value of standard portfolio strategies such as Strategic asset allocation. MPC has been found to have a computational advantage when return forecasts are updated every time a new observation becomes available. A two-state Hidden Markov Model with time varying parameters is used to forecast the financial return of a market index. The portfolio optimization is performed using both single period and multi-period forecasts where the only other asset is a zero interest rate cash account. Transaction costs are included to better reflect market conditions and to address estimation errors in the forecasts. The MPC portfolios are found to outperform a buy and hold strategy in the market index, displaying both higher returns and lower risk. The multi-period portfolios display lower returns and similar risk to the single period portfolio while having a smaller turnover. This led to the conclusion that the two-state Gaussian HMM provides sub par multi-period forecasts on the 5 minute sampled market index. The forecasting method is found to be very sensitive to the manual choice of hyperparameters.}},
author = {{Hafström Fremlin, Sara}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
title = {{Online intra-day portfolio optimization using regime based models}},
year = {{2019}},
}