Random Forest voor Aandelenvoorspellingen op Basis van Fundamentele Analyse

Abstract

De opkomst van artificiële intelligentie (AI) en machine learning (ML) biedt nieuwe mogelijkheden om aandelenprijzen te voorspellen via datagedreven analyses. Er is veel onderzoek gedaan op dit gebied en uit verschillende studies blijkt dat machine learning effectief kan worden toegepast voor het voorspellen van aandelenprijzen. De meeste van deze methoden richten zich echter op voorspellingen op de korte termijn, waarbij vooral gebruik wordt gemaakt van prijsgegevens en technische indicatoren. In deze masterthesis wordt daarentegen onderzocht in hoeverre fundamentele analyse bijdraagt aan het voorspellen van aandelenprijzen voor bedrijven binnen de NASDAQ-100 index op lange termijn. Centraal in dit onderzoek staat het gebruik van Random Forest, een ML-algoritme dat geschikt is voor het verwerken van complexe datasets met variabelen van uiteenlopend belang. Het onderzoek bestaat uit 4 verschillende methoden om aandelenprijzen te voorspellen. De resultaten tonen aan dat de prestaties sterk variëren naargelang de gekozen methode. Bij willekeurige splitsing van de data worden hoge nauwkeurigheidsscores behaald met R²-waarden tot 0,987 en lage fouten. Echter, wanneer het model wordt geëvalueerd in meer realistische contexten, zoals bij een leave-one-ticker-out of een rolling window-benadering met chronologische training, neemt de voorspellende nauwkeurigheid af. Uit de analyse van de feature importance blijkt dat activa, reëel bbp en werkloosheid naar voren komen als belangrijk, terwijl ROA, FCF en CPI minder impactvol zijn.