Predicting market prices is notoriously challenging yet essential for traders and investors. Systematic hedge funds utilize multiple forecasts in order to achieve better predictions and profit from the financial markets. This thesis considers an ensemble method for combining multiple return forecasts specifically for cryptocurrency markets. We evaluate the performance with Sharpe ratio calculated after transaction costs. The empirical analysis focuses on combining 16 alpha factor portfolios, each constructed from perpetual futures contracts on Binance, spanning a data set of five years.
The challenge is framed as an ensemble-weighting problem and we study seven ensemble methods which are the following: Equal-weighting (EW), Median, Trimmed mean, Naive Mean-Variance Optimization (nMVO), Streaming (STREAM), penalized Mean-Variance Optimization and penalized Streaming. The first four methods are established in the prior literature, whereas the latter three enhance existing methods with regularization and transaction cost penalization approaches. A Finnish startup is implementing an ensemble method built on top of the Streaming method developed in this study.
Without trading costs, Naive MVO achieves the highest Sharpe (7.87) but when realistic trading costs are applied its performance deteriorates. With realistic cost assumptions, Equal-weighting is found to be the best method with Sharpe of 4.93. Even though the penalization scheme developed here enhances the naive methods, nMVO and STREAM, its performance remains inferior compared to Equal-Weighting.
Our findings indicate that complex methods should take into account turnover to be profitable under real-world conditions. Future studies should therefore primarily focus on controlling turnover.Markkinahintojen ennustaminen on tunnetusti haastavaa, mutta välttämätöntä sijoittajille. Systemaattiset erikoisrahastot pyrkivät tuottamaan voittoa rahoitusmarkkinoilla hyödyntämällä useita ennusteita. Tässä työssä tarkastellaan malleja, jotka yhdistävät useita kryptovaluuttojen tuottoennusteita. Mallien suorituskykyä mitataan Sharpe luvulla, joka lasketaan ottaen kaupankäyntikulut huomioon. Empiirisessä analyysissä yhdistetään 16 alfa-portfoliota, jotka koostuvat Binancen perpetual-futuureista. Portfolio-aineisto kattaa viiden vuoden ajanjakson.
Tässä työssä tavoitteena on siis analysoida alfa-portfolioiden yhdistelmäpainotuksia (ensemble weights). Työssä tarkastellaan seitsemää eri menetelmää: yhtäläinen painotus (YP), mediaani, leikattu keskiarvo, naiivi keskiarvo-varianssi optimointi (nKVO), virtaus (VIRTA), sanktioitu keskiarvo-varianssi optimointi sekä sanktioitu virtaus. Näistä neljä ensimmäistä ovat kirjallisuudessa vakiintuneita menetelmiä, kun taas kolme viimeistä laajentavat kirjallisuuden menetelmiä vakauttamisella ja transaktiokulujen sanktioinnilla. Suomalainen startup on ottamassa käyttöön yhdistelmämenetelmää, joka perustuu tässä tutkimuksessa kehitettyyn VIRTA-menetelmään.
Naiivi KVO saavuttaa korkeimman Sharpen (7.87) kun kaupankäyntikuluja ei huomioida. Kun kustannukset otetaan huomioon, sen suorituskyky heikkenee huomattavasti. Tällöin parhaaksi menetelmäksi osoittautuu YP Sharpen arvolla 4,93. Vaikka tässä työssä esitelty sanktiointimenetelmä parantaakin naiiveja nKVO- ja VIRTA-menetelmiä, niiden suoriutuminen jää silti YP:tä heikommaksi.
Työn tulokset viittaavat siihen, että ollakseen kannattavia, monimutkaisten menetelmien on huomioitava portfolion vaihdanta. Tulevan tutkimuksen tulisi siis keskittyä erityisesti vaihdannan hallintaan.
