A Genetic Algorithm for Generating Optimal Stock Investment Strategies

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Lehtola, Aarno
dc.contributor.author Nyman, Lauri
dc.date.accessioned 2017-12-18T11:52:55Z
dc.date.available 2017-12-18T11:52:55Z
dc.date.issued 2017-12-12
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/29221
dc.description.abstract Investors including banks, insurance companies and private investors are in a constant need for new investment strategies and portfolio selection methods. In this work we study the developed models, forecasting methods and portfolio management approaches. The information is used to create a decision-making system, or investment strategy, to form stock investment portfolios. The decision-making system is optimized using a genetic algorithm to find profitable low risk investment strategies. The constructed system is tested by simulating its performance with a large set of real stock market and economic data. The tests reveal that the constructed system requires a large sample of stock market and economic data before it finds well performing investment strategies. The parameters of the decision-making system converge surprisingly fast and the available computing capacity turned out to be sufficient even when a large amount of data is used in the system calibration. The model seems to find logics that govern stock market behavior. With a sufficient large amount of data for the calibration, the decision-making model finds strategies that work with regard to profit and portfolio diversification. The recommended strategies worked also outside the sample data that was used for system parameter identification (calibration). This work was done at Unisolver Ltd. en
dc.description.abstract Investoijat kuten pankit, vakuutusyhtiöt ja yksityissijoittajat tarvitsevat jatkuvasti uusia investointistrategioita portfolioiden määrittämiseen. Tässä työssä tutkitaan aiemmin kehitettyjä sijoitusmalleja, ennustemenetelmiä ja sijoitussalkun hallinnassa yleisesti käytettyjä lähestymistapoja. Löydettyä tietoa hyödyntäen kehitetään uusi päätöksentekomenetelmä (investointistrategia), jolla määritetään sijoitussalkun sisältö kunakin ajanhetkenä. Päätöksentekomalli optimoidaan geneettisellä algoritmilla. Tavoitteena on löytää tuottavia ja pienen riskin investointistrategioita. Kehitetyn mallin toimintaa simuloidaan suurella määrällä todellista pörssi- ja talousaineistoa. Testausvaihe osoittaakin, että päätöksentekomallin optimoinnissa tarvitaan suuri testiaineisto toimivien strategioiden löytämiseksi. Rakennetun mallin parametrit konvergoivat optimointivaiheessa nopeasti. Käytettävissä oleva laskentateho osoittautui riittäväksi niissäkin tilanteissa, joissa toisten menetelmien laskenta laajan aineiston takia hidastuu. Malli vaikuttaa löytävän logiikkaa, joka ymmärtää pörssikurssien käyttäytymistä. Riittävän suurella testiaineistolla malli löytää strategioita, joilla saavutetaan hyvä tuotto ja pieni riski. Strategiat toimivat myös mallin kalibroinnissa käytetyn aineiston ulkopuolella, tuottaen hyviä sijoitussalkkuja. Työ tehtiin Unisolver Oy:ssä. fi
dc.format.extent 78 + 2
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title A Genetic Algorithm for Generating Optimal Stock Investment Strategies en
dc.title Geneettinen Algoritmi Optimaalisten Investointistrategioiden Määrittämiseen fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword investment strategy en
dc.subject.keyword investment decision-making en
dc.subject.keyword genetic optimization en
dc.subject.keyword strategy optimization en
dc.subject.keyword big data analysis en
dc.subject.keyword quantitative investing en
dc.identifier.urn URN:NBN:fi:aalto-201712188019
dc.programme.major Systems and Operations Research fi
dc.programme.mcode SCI3055 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Ehtamo, Harri
dc.programme Master’s Programme in Mathematics and Operations Research fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account