Show simple item record

dc.contributor.advisorSirnes, Espen
dc.contributor.authorWara, Sondre Aarberg
dc.contributor.authorKarlsen, Gabriel
dc.date.accessioned2022-10-20T05:47:18Z
dc.date.available2022-10-20T05:47:18Z
dc.date.issued2022-05-30en
dc.description.abstractDenne studien sammenligner fem forskjellige strategier for kapital allokering med fem forskjellige ETFer fra det amerikanske aksjemarkedet. To strategier, Buy and Hold og Naive 1/N portefølje, tar ikke endringer i datasettet til betraktning og er derfor de to enkleste strategiene. En portefølje er satt sammen ved bruk av Modern Portfolio Theory (MPT) og er den optimale porteføljen for minimal varians. Den andre porteføljen fra MPT er tangentporteføljen (også kalt maks Sharpe-Ratioporteføljen). Den siste strategien er den mest komplekse og er en Random Forest metode innen Machine Learning. Alle porteføljene, bortsett fra Buy and Hold, er rebalansert månedlig (72 ganger), med et rullerende vindu av data fra de siste 12 måneder. Totalt ser vi på de siste 6 årene (2016-2021) med daglige avkastninger for hver ETF til å regne kapitalallokering og all utregning er gjort i enten Excel eller R. De første fire strategiene viser tilnærmet like avkastninger mellom 16,4-17,8% årlig mens Random Forest porteføljen gir en total avkastning på 24,6% årlig. Random Forest er også den porteføljen med lavest risiko med et standardavvik på 12,4% årlig mot de andre porteføljene med 15,5% årlig, noe som gir Random Forest en Sharpe-Ratio på 1,99 og de øvrige porteføljene en Sharpe-Ratio mellom 1,07-1,09. Sharpe-Ratioen for maks Sharpe-Ratio porteføljen ble 1,15. En regresjonsanalyse viser at for de første fire strategiene kan Fama French Carharts 4-faktor modell forklare 95,8%-97,9% av variansen til, mens for Random Fortest kan modellen bare forklare 78,8%. Random Forest er også den eneste strategien med en statistisk signifikant alfa (α) på nesten 9% årlig. Våre resultater fra Random Forest som en metode for porteføljesammensetting er i samsvar med tidligere forskning og utfordrer både svak og semi-svak markedseffisiens. Den viser også at Machine Learning har et potensial til å se mønstre for meravkastning og burde derfor være av interesse for investorer og tradere.en_US
dc.identifier.urihttps://hdl.handle.net/10037/27085
dc.language.isoengen_US
dc.publisherUiT Norges arktiske universitetno
dc.publisherUiT The Arctic University of Norwayen
dc.rights.holderCopyright 2022 The Author(s)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0en_US
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)en_US
dc.subject.courseIDBED-3901
dc.subjectVDP::Samfunnsvitenskap: 200::Økonomi: 210::Bedriftsøkonomi: 213en_US
dc.subjectVDP::Social science: 200::Economics: 210::Business: 213en_US
dc.titleA comparison of strategies for portfolio allocationen_US
dc.typeMaster thesisen
dc.typeMastergradsoppgaveno


File(s) in this item

Thumbnail
Thumbnail

This item appears in the following collection(s)

Show simple item record

Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)