Portfolio Optimization: A Machine Learning Approach

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

School of Business | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025

Department

Tieto- ja palvelujohtamisen laitos

Major/Subject

Mcode

Degree programme

Tieto- ja palvelujohtaminen

Language

en

Pages

38

Series

Abstract

This thesis examines the use of machine learning for portfolio optimization during periods of high market volatility. It begins with a literature review comparing traditional approaches, such as Modern Portfolio Theory (MPT) with modern techniques including deep learning, reinforcement learning, and ensemble models. The empirical part implements a hybrid strategy combining Long Short-Term Memory (LSTM) networks for return prediction with Mean-Variance Optimization (MVO) for portfolio construction. This LSTM-MVO approach is tested against a Pure MVO strategy and a simple Equal Weight (1/n) benchmark. Using data from eight U.S. large-cap stocks across two volatile periods: 2004–2009 and 2015–2022, The results show that the LSTM-MVO strategy can outperform benchmarks in certain conditions, offering higher risk-adjusted returns and lower drawdowns. However, performance varies across regimes, and limitations such as estimation error, model fragility, and implementation complexity remain. The study supports the cautious integration of machine learning into portfolio management.

Tämä kandidaatintutkielma tarkastelee koneoppimisen hyödyntämistä portfolion optimoinnissa markkinoiden voimakkaan heilunnan aikana. Perinteiset lähestymistavat, kuten Moderni Portfolioteoria (MPT) ja Capital Asset Pricing Model (CAPM), esitellään ja niitä verrataan nykyaikaisiin koneoppimismenetelmiin. Empiirisessä osuudessa sovelletaan yhdistelmämallia, jossa Long Short-Term Memory (LSTM) -neuroverkkoja käytetään päivittäisten tuottojen ennustamiseen, ja näitä ennusteita hyödynnetään Mean-Variance Optimization (MVO) -menetelmässä portfolion painojen määrittämiseksi. Tuloksia verrataan kahteen vertailustrategiaan: perinteiseen MVO-malliin ja yksinkertaiseen tasapainotettuun 1/n-strategiaan. Kaikki mallit testataan kahdella historiallisesti epävakaalla jaksolla: vuosina 2004–2009 ja 2015–2022 kahdeksan yhdysvaltalaisen suuryrityksen osakkeilla. Tulokset osoittavat, että LSTM-MVO-strategia voi tuottaa parempia riskikorjattuja tuottoja ja pienempiä arvonmenetyksiä ja havainnot viittaavat siihen, että koneoppimismallien yhdistäminen klassisiin menetelmiin voi parantaa portfolion tuottopotentiaalia, vaikka käytännön haasteita esiintyy edelleen.

Description

Thesis advisor

Peura, Heikki

Keywords

portfolio optimization, machine learning, deep learning, LSTM, MVO

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506225191

Collections

[kand] Kauppakorkeakoulu / BIZ