Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Prediktering av avkastningar med maskininlärning

Hallonsten, Olle LU and Edelborg, Adrian LU (2025) NEKH02 20242
Department of Economics
Abstract (Swedish)
Prediktion av avkastningar är en utmanande uppgift eftersom finansiell data är komplex med hög volatilitet och mycket brus. I denna studie appliceras Random Forest-modellen på data från den svenska respektive amerikanska aktiemarknaden för att identifiera vilka variabler som bäst predikterar avkastningen, och hur deras relevans samt Random Forest-modellens prestanda skiljer sig mellan aktiemarknaderna. Resultatet visar att Random Forest-modellen presterar bättre på den amerikanska aktiemarknaden samt att de viktigaste variablerna för den amerikanska marknaden var baserade på pristrender medan de viktigaste för den svenska marknaden var likviditetsmått. Vi konstruerar även en portfölj utifrån prediktionerna där den riskjusterade... (More)
Prediktion av avkastningar är en utmanande uppgift eftersom finansiell data är komplex med hög volatilitet och mycket brus. I denna studie appliceras Random Forest-modellen på data från den svenska respektive amerikanska aktiemarknaden för att identifiera vilka variabler som bäst predikterar avkastningen, och hur deras relevans samt Random Forest-modellens prestanda skiljer sig mellan aktiemarknaderna. Resultatet visar att Random Forest-modellen presterar bättre på den amerikanska aktiemarknaden samt att de viktigaste variablerna för den amerikanska marknaden var baserade på pristrender medan de viktigaste för den svenska marknaden var likviditetsmått. Vi konstruerar även en portfölj utifrån prediktionerna där den riskjusterade avkastningen för den svenska portföljen samt de långa positionerna i den amerikanska portföljen presterade bättre än den likaviktade portföljen. (Less)
Please use this url to cite or link to this publication:
author
Hallonsten, Olle LU and Edelborg, Adrian LU
supervisor
organization
course
NEKH02 20242
year
type
M2 - Bachelor Degree
subject
keywords
Maskininlärning, Random Forest, Prediktering av avkastning, Variable importance
language
Swedish
id
9182552
date added to LUP
2025-05-16 10:46:55
date last changed
2025-05-16 10:46:55
@misc{9182552,
  abstract     = {{Prediktion av avkastningar är en utmanande uppgift eftersom finansiell data är komplex med hög volatilitet och mycket brus. I denna studie appliceras Random Forest-modellen på data från den svenska respektive amerikanska aktiemarknaden för att identifiera vilka variabler som bäst predikterar avkastningen, och hur deras relevans samt Random Forest-modellens prestanda skiljer sig mellan aktiemarknaderna. Resultatet visar att Random Forest-modellen presterar bättre på den amerikanska aktiemarknaden samt att de viktigaste variablerna för den amerikanska marknaden var baserade på pristrender medan de viktigaste för den svenska marknaden var likviditetsmått. Vi konstruerar även en portfölj utifrån prediktionerna där den riskjusterade avkastningen för den svenska portföljen samt de långa positionerna i den amerikanska portföljen presterade bättre än den likaviktade portföljen.}},
  author       = {{Hallonsten, Olle and Edelborg, Adrian}},
  language     = {{swe}},
  note         = {{Student Paper}},
  title        = {{Prediktering av avkastningar med maskininlärning}},
  year         = {{2025}},
}