| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorzinātne un organizāciju tehnoloģijas |
| Nosaukums |
Finanšu rādītāju un ienesīguma intervālu datu balstīta identificēšana, izmantojot mašīnmācīšanos: alternatīva momentuma stratēģijām. |
| Nosaukums angļu valodā |
Data-Driven Discovery of Financial Metrics and Return Intervals Using Machine Learning: An Alternative to Momentum Strategies. |
| Struktūrvienība |
02C60 Rīgas Biznesa skola |
| Darba vadītājs |
Kārlis Zars |
| Recenzents |
Edvīns Korneliuss |
| Anotācija |
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. |
| Atslēgas vārdi |
Momentum Ieguldīšana, Finanšu Koeficienti, Informācijas Risks, Mašīnmācīšanās, XGBoost, backtesting |
| Atslēgas vārdi angļu valodā |
Momentum investing, Financial ratios, Information risk, Machine learning, XGBoost, Backtesting |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
20.04.2026 20:55:15 |
