Dziļo neironu tīkla lietojums portfeļa konstrukcijas optimizācijā

Abstract

Samazinoties skaitļošanas jaudas izmaksām un pieaugot pētniecībai, neironu tīklu popularitāte pēdējos gados strauji augusi, un to pielietojumam tiek atrastas jaunas vietas, kas iepriekš nav bijušaspraktiskipieejamas. DarbātiekizmantotarekurentuneironatīklustruktūraMarkovitza optimālā portfeļa kontekstā, lai optimizētu riska un kapitāla ienesīguma attiecību ieguldījumu portfeļos. Izmantojotpēdējodesmitgaduikmēnešadatustiekdemonstrēts,kadziļoneironutīklu struktūrasuzrādalabākusniegumukāvienmērīgisabalansētsieguldījumuportfelisunklasiskās finanšu literatūras metodes, sasniedzot augstāku absolūto ienesīgumu un Sharpe koeficientu trenēšanasuntestakopās.

Increasing accessibility of computing power and growing amount of applicable research in artificial intelligence has spurred significant interest in neural networks, widening the scope of their applicability to include fields previously considered inapproachable. This thesis uses a recurrent neural network structure within the Markowitz portfolio theory to optimize the risk/reward relationship for an investment portfolio. Results demonstrate that using the monthly data for the last ten years, deep neural networks are able to outperform an equally balanced market portfolio and classical financial literature methods, showing outperformance in both relative and absolute tears in both training and testing datasets.