Predicting stock price movements using options trading data
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Authors
Date
2021-12-13
Department
Major/Subject
International Design Business Management
Mcode
ELEC3058
Degree programme
Master’s Degree Programme in International Design Business Management (IDBM)
Language
en
Pages
46+6
Series
Abstract
An interesting phenomenon in the stock market is the expiration day and stock pinning effect observed on the expiry date of options. One of the expiration day effects is the increase in traded volume of optionable stocks. The stock pinning effect on the other hand describes the movement of the prices of optionable stocks towards the strike price of their options with large open interest. Predicting this price movement ahead of time represents an opportunity for discovering new mechanism for the pricing mechanisms in financial markets. In this thesis, four different machine learning algorithms, random forests, neural networks, support vector machines, and Xgboost are used to predict the direction of stock prices on the day of expiry of options, using option trading data. The studied stocks are stocks listed in the SP500 index. The whole data set used in this study comprises of 79331 data points between the years 2015 and 2021. Out of the whole data set 70 percent is used for training and 30 percent for testing. Out of the four models, random forest and Xgboost performed best out of the four models. Both performed better than the random benchmark predictor, and achieved F1-scores of 0.530 and 0.532 respectively. The AUC for the ROC was 0.55 and 0.56 for the random forest and Xgboost algorithm respectively. Thus, the cautious assumption that option trading data infers stock price directions can be made. However, the field requires further studies, especially regarding which stocks will pinn and what kind of trading strategies can be used to take advantage of the predictions.Ett intressant fenomen som upptäckts inom värdepappershandeln är de så kallade slutdagseffekterna, som sker då optioner förfaller. Då optioner förfaller har det observerats att dessa slutdagseffekter orsakar bland annat förhöjda handelsvolymer och prisförändringar i de underliggande aktierna. Ifall denna prisförändring kan förutses, skapas en möjlighet för arbitrage. En investerare kan köpa eller sälja aktien i förväg och därmed förtjäna en vinst på prisförändringen. I detta arbete tränas fyra olika maskininlärningsmodeller på optionshandeldata, med syftet att förutse aktieprisernas binominala riktning (0 för sjunkande och 1 för stigande) på slutdagen. I arbetet studeras aktier som ingår i S\&P500 indexet. Den forskade datan är samlad mellan åren 2015 och 2021. Hela datasetet består av 79331 datapunkter, av vilka 70\% används för att träna modellerna och 30\% för att testa modellerna. Av de fyra modellerna presterar Gradient Boosting och Random Forest modellerna bättre än benchmarkingmodellen. Modellernas F1-värden var 0.532 och 0.530 (jämfört med 0.498 för benchmarking modellen) med AUC (area under curve) värdena 0.56 och 0.55. Därmed indikerar resultaten att riktningen av aktiekurser kan förutses med hjälp av optionshandeldata. Eftersom skillnaden mellan de bästa presterande modellerna och benchmarkingmodellen är relativt små, krävs ytterligare forskning inom ämnesområdet. En potentiell utveckling av forskningen är de handelstrategier som kunde användas för att utnyttja den förutsedda prisförändringen.Description
Supervisor
Östergård, PatricThesis advisor
Blomqvist, RobertKeywords
machine learning, stock pinning, stock pricing, expiration day effects