| Form of studies |
Bachelor |
| Title of the study programm |
Computer Science and Organizational Technologies |
| Title in original language |
Finanšu rādītāju un ienesīguma intervālu datu balstīta identificēšana, izmantojot mašīnmācīšanos: alternatīva momentuma stratēģijām. |
| Title in English |
Data-Driven Discovery of Financial Metrics and Return Intervals Using Machine Learning: An Alternative to Momentum Strategies. |
| Department |
Riga Business School |
| Scientific advisor |
Kārlis Zars |
| Reviewer |
Edvīns Korneliuss |
| Abstract |
Momentuma stratēģijas ir plaši izmantotas akciju ieguldījumos, daļēji tāpēc, ka to ienesīgums vēsturiski ir bijis viens no augstākajiem starp sistemātiskajām akciju stratēģijām. Tomēr pasīvs momentuma indekss ietver uzņēmumus ar dažādu fundamentālo kvalitāti, un finansiāli vājāki uzņēmumi šajā kopumā var samazināt kopējo sniegumu. Šajā darbā tiek pētīts, vai fundamentālās atlases slāņa pievienošana standarta momentuma stratēģijai var uzlabot ienesīgumu, izslēdzot finansiāli vājākus uzņēmumus. Tiek izveidoti divi portfeļi un salīdzināti ar pasīvu momentuma etalonu laika periodā no 2021. gada oktobra līdz 2025. gada septembrim. Pirmais portfelis izmanto finanšu rādītāju noteikumus, kas atlasīti, izmantojot datu balstītu pieeju 15 mainīgo kopā. Otrais portfelis papildus sakārto akcijas, izmantojot pakāpeniski validētu XGBoost modeli. Lai pamatotu šo pieeju, darbā tiek apskatīti iepriekšējie pētījumi par momentuma anomālijām, finanšu rādītāju prognozējošo nozīmi un izaicinājumiem, kas saistīti ar mašīnmācīšanās pielietošanu trokšņainos finanšu tirgos. Abi portfeļi pārspēj etalonu pēc kopējā ienesīguma un Šārpa koeficienta analizētajā periodā, sasniedzot CAPM alfas 2.82% un 6.16% gadā. Tomēr neviens no rezultātiem nav statistiski nozīmīgs 48 mēnešu periodā, kas atspoguļo īsa novērojumu laika ierobežojumus un to, ka fundamentālie modeļi nespēj paredzēt ārējo, nefinansiālo faktoru ietekmi. |
| Keywords |
Momentum Ieguldīšana, Finanšu Koeficienti, Informācijas Risks, Mašīnmācīšanās, XGBoost, backtesting |
| Keywords in English |
Momentum investing, Financial ratios, Information risk, Machine learning, XGBoost, Backtesting |
| Language |
eng |
| Year |
2026 |
| Date and time of uploading |
20.04.2026 20:55:15 |
