| Form of studies |
Bachelor |
| Title of the study programm |
Computer Science and Organizational Technologies |
| Title in original language |
Akciju patiesās vērtības noteikšana, izmantojot mašīnmācīšanās pieejas. |
| Title in English |
Determining the Intrinsic Value of Stocks Using Machine Learning Approaches. |
| Department |
Riga Business School |
| Scientific advisor |
Valdis Saulespurēns |
| Reviewer |
William Christian Schaub |
| Abstract |
Tradicionāli akciju vērtēšanas modeļi balstās uz cilvēka spriedumu un pieņemtām statistikas metodēm. Šo iemeslu dēļ, tie bieži nespēj efektīvi apstrādāt nelineārus finanšu datus, un iegūtie rezultāti ir jutīgi pat pret nelielām izmaiņām pieņēmumos. Šajā darbā ir izstrādāts kombinēts mašīnmācīšanās modelis, kas apvieno ilgās īstermiņa atmiņas (angļ. long short-term memory, LSTM) neironu tīklus iekš diskontētās naudas plūsmas (angļ. discounted cash flow, DCF) metodes un XGBoost balstītu relatīvo vērtēšanu, lai novērtētu akciju patieso iekšējo vērtību (angļ. intrinsic value, IV). Modelis tika apmācīts uz datu kopas, kas aptver 100 lielākās Amerikas Savienoto Valstu (ASV) lielas kapitalizācijas uzņēmumus no 2012. līdz 2021. gadam, un testēts uz datiem no 2022. līdz 2024. gadam. Izmantojot drošības rezerves kritēriju (angļ. margin of safety), tika izveidots desmit akciju portfelis, kura ienesīgums tika novērtēts trīs gadu periodā. Portfelis uzrādīja kumulatīvo ienesīgumu 53,35% apmērā, kā arī ikgadējo alpha vērtību 8,20% un Šārpa koeficientu 0,77 apmērā, salīdzinot ar 28,66% ienesīgumu S&P 500 indeksam un 21,83% vienkāršajai stratēģijai, kas balstīta uz zemāko cenas un peļņas attiecību. LSTM modelis spēja pamatot aptuveni 42% no nākotnes brīvo naudas plūsmu dispersijas, savukārt XGBoost cenas un pārdošanas apjoma koeficienta modelis sasniedza R² 0,854. Iegūtie rezultāti sniedz sākotnējus pierādījumus tam, ka mašīnmācīšanos var iekļaut esošajos vērtēšanas ietvaros, lai iegūtu ekonomiski interpretējamas iekšējās vērtības aprēķinus, lai gan īsais vēsturiskās pārbaudes periods ierobežo statistiskos secinājumu nozīmi. |
| Keywords |
iekšējā vērtība, mašīnmācīšanās, LSTM, XGBoost, diskontētās naudas plūsmas, relatīvā vērtēšana, akciju vērtēšana, portfeļa ienesīgums |
| Keywords in English |
intrinsic value, machine learning, LSTM, XGBoost, discounted cash flow, relative valuation, stock valuation, portfolio performance |
| Language |
eng |
| Year |
2026 |
| Date and time of uploading |
20.04.2026 14:38:03 |
