Osakemarkkinoiden ennustaminen koneoppimismallien avulla

Abstract

Tämä opinnäytetyö syntyi henkilökohtaisesta kiinnostuksesta selvittää, voivatko koneoppimismallit tukea kaupankäyntistrategioiden kehittämistä ja parantaa niiden tehokkuutta. Työn tavoitteena oli vertailla eri koneoppimismallien soveltuvuutta osakemarkkinoiden analyysiin ja tutkia miten teknisen analyysin indikaattorit voivat parantaa mallien suorituskykyä.

Tutkimuksessa käytettiin kolmea erilaista koneoppimismallia: OneR, J48-päätöspuu ja Random Forest. Mallit valittiin niiden yksinkertaisuuden, tulkittavuuden ja kaupankäyntistrategioihin soveltuvuuden perusteella. Tutkimusdata sisälsi historiallisia osakemarkkinatietoja sekä teknisen analyysin indikaattoreita, kuten liukuvia keskiarvoja ja RSI-indikaattoreita. Mallien suorituskykyä arvioitiin käyttämällä mittareina tarkkuutta (precision) ja herkkyyttä (recall).

Tulokset osoittivat, että koneoppimismallit voivat tuoda lisäarvoa erityisesti osakkeilla, joiden arvo kehittyy trendinomaisesti. Random Forest -malli erottui edukseen sekä ennustustarkkuuden että kumulatiivisen tuoton osalta. Toisaalta tasaisissa tai epävakaissa markkinaympäristöissä mallien suorituskyky oli heikompi, mikä korostaa markkinadatan ja -sentimentin huolellisen analysoinnin tärkeyttä mallien optimoinnissa.

Johtopäätöksenä koneoppimismallit voivat tarjota merkittäviä etuja kaupankäynnin tukemiseen, mutta niiden hyödyntäminen vaatii huolellista datan käsittelyä ja jatkuvaa mallien kehittämistä. Tulevaisuudessa koneoppimismallien yhdistäminen fundamenttianalyysiin sekä vaihtoehtoisten datalähteiden, kuten sosiaalisen median ja reaaliaikaisten uutisten, hyödyntäminen voisi parantaa ennustemallien tarkkuutta ja luotettavuutta entisestään.

The complexity of financial markets has driven interest in using machine learning for stock price analysis and decision-making. This thesis examines the potential of machine learning models to support the development of efficient trading strategies. The objective was to compare the applicability of different machine learning models to stock market analysis and assess the role of technical analysis indicators in improving model performance.

The research utilised historical stock market data and technical analysis indicators, such as moving averages and the Relative Strength Index (RSI). Performance metrics like precision and recall were used to evaluate the models’ ability to predict stock price movements.

The results indicated that machine learning models, Random Forest in particular, demonstrate added value for stocks moving in a trend. In stable or unpredictable market conditions the models’ performance was limited, highlighting the need for thorough market data and sentiment analysis as part of trading strategy development.

Future studies should integrate these models with fundamental analysis and leveraging alternative data sources, such as social media and real-time news, to further enhance prediction accuracy and reliability.