Detailansicht
Can machine learning enhance return predictability of selected metal commodities?
Reinhard Benjamin Achim Walter Albrechts
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Banking and Finance
Betreuer*in
Günter Strobl
Mitbetreuer*in
Christian Westheide
DOI
10.25365/thesis.70869
URN
urn:nbn:at:at-ubw:1-11271.05393.558273-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit vergleicht die Vorhersagbarkeit von Renditen der Metallrohstoffe Gold, Silber, Platin, Palladium und Kupfer auf verschiedenen Datensätzen und über mehrere Veranlagungsperiodizitäten. Ziel ist es, festzustellen, ob Deep-Learning-Modelle die Ergebnisse von Tharann (2019) auf aktuelleren Daten bestätigen und/oder verbessern können, wobei jener starke Indikatoren für eine solche Vorhersagbarkeit auf derselben Auswahl von Metall-Futures aufdeckt, insbesondere nach Einbeziehung des Aruoba-Diebold-Scotti Business Conditions Index (ADS-Index).
Sowohl der Quellcode als auch eine Beschreibung der verwendeten Datenfelder sind bereitgestellt, um alle Ergebnisse (mit minimalem Installationsaufwand) reproduzierbar machen zu können.
Insgesamt gibt es deutliche Hinweise darauf, dass Metallrenditen vorhersehbar sind und die Forschung für verschiedenste Anleger mit unterschiedlichen Präferenzen bei der Umschichtung von Vermögenswerten attraktiv sein dürfte. Die Tests wurden mit täglichen, wöchentlichen, monatlichen und vierteljährlichen Perioden für drei verschiedene Datensätze durchgeführt. Insgesamt scheinen sowohl Long Short Term Memory (LSTM) als auch Convolutional Neural Networks (CNN) lineare Kleinstquadrateschätzer (OLS), eine häufig verwendete Methode in ähnlichen Veröffentlichungen, auf den verwendeten Daten zu übertreffen.
Abstract
(Englisch)
This thesis compares predictability of returns of the metal commodities Gold, Silver, Platinum, Palladium and Copper on multiple datasets and across multiple resampling periods. The goal is to determine if deep learning models can confirm and/or enhance the findings of Tharann (2019) on more recent data, who finds strong predictability on the same selection of metal futures out of sample especially after including the Aruoba-Diebold-Scotti Business Conditions Index (ADS-Index).
Both the source code as well as a description of the data fields used are provided in order to make all findings reproducible (with minimal installation efforts).
Overall, there are strong indications that metal returns are likely predictable and research should be attractive for many types of investors with different asset re-allocation preferences. Tests are run with daily, weekly, monthly and quarterly data on three different sets of predictive variables. As for the utilized models, both Long Short Term Memory (LSTM) as well as Convolutional Neural Networks (CNN) can outperform linear Ordinary Least Squares (OLS), still one of the most utilized tools in existing research on similar topics, on the underlying datasets.
Schlagwörter
Schlagwörter
(Englisch)
Machine Learning Commodities Return Predictability
Schlagwörter
(Deutsch)
Maschinelles Lernen Rohstoffe Renditenvorhersage
Autor*innen
Reinhard Benjamin Achim Walter Albrechts
Haupttitel (Englisch)
Can machine learning enhance return predictability of selected metal commodities?
Publikationsjahr
2021
Umfangsangabe
IV, 64 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Günter Strobl
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
85 Betriebswirtschaft > 85.30 Investition, Finanzierung
AC Nummer
AC16519629
Utheses ID
61346
Studienkennzahl
UA | 066 | 974 | |