Comparison of Econometric and Modern Machine Learning Methods in Stock Return Prediction
Autor(ka) práce:
Toufic, Michael-Karim
Typ práce:
Diploma thesis
Vedoucí práce:
Witzany, Jiří
Oponenti práce:
Menzl, Vojtěch
Jazyk práce:
English
Abstrakt:
This thesis compares eight econometric specifications, eight modern machine learning architectures, and a linear ridge anchor in cross-sectional stock return prediction. The LSEG panel contains 1,249 unique RIC identifiers of current and former S&P 500 constituents from 1991 to 2026. The main walk-forward test covers 2015–2026 and combines a 126-trading-day forward total-return target with strict temporal separation of training and testing, transaction costs, HAC inference, a stationary bootstrap, and the Deflated Sharpe Ratio. Quarterly information coefficients remain mostly close to zero. The largest Newey–West statistic is produced by a Kalman filter with a time-varying alpha, but it is also the maximum of seventeen comparisons. No long–short or long-only result exceeds the adopted Deflated Sharpe Ratio threshold. Within the examined universe, period, and evaluation protocol, the evidence therefore does not establish systematic superiority of machine learning over econometric methods.
Srovnání ekonometrických a moderních metod strojového učení v predikci akciových výnosů
Autor(ka) práce:
Toufic, Michael-Karim
Typ práce:
Diplomová práce
Vedoucí práce:
Witzany, Jiří
Oponenti práce:
Menzl, Vojtěch
Jazyk práce:
English
Abstrakt:
Práce porovnává osm ekonometrických specifikací, osm moderních architektur strojového učení a lineární ridge kotvu při predikci průřezu akciových výnosů. Datový panel LSEG obsahuje 1 249 unikátních identifikátorů RIC současných i historicky vyřazených členů indexu S&P 500 v letech 1991–2026. Hlavní walk-forward test pokrývá období 2015–2026, používá 126denní dopředný celkový výnos, časové oddělení tréninku a testu, transakční náklady, HAC inferenci, stacionární bootstrap a deflovaný Sharpeho poměr. Kvartální informační koeficienty zůstávají převážně blízko nuly. Nejvyšší Newey–Westova statistika patří Kalmanovu filtru s časově proměnlivou alfou, ale jde o maximum ze sedmnácti srovnání. Žádný long–short ani long-only výsledek nepřekonává použitý práh deflovaného Sharpeho poměru. V daném univerzu, období a protokolu se proto neprokazuje systematická převaha strojového učení nad ekonometrií.