Models explaining the returns of individual stocks generally use company and stock characteristics, e.g. market prices of financial instruments and accounting data of companies. These characteristics can also be used to predict expected stock returns out-of-sample. Most studies use simple linear models to form these predictions. An increasing body of academic literature documents that non-linear models and machine learning methods can improve the stock return forecasts. Possible com-parable methods are penalized linear models, e.g. Lasso and principal component regression, or machine learning methods, e.g. regression trees (including boosted trees and random forests) and neural networks. The goal of this thesis is to asses whether penalized linear models and machine learning methods lead to better forecasts for stock returns than linear regression, i.e. are predicted returns from these methods more successful for quantitative stock selection. I use a sample of approximately 28 years of European stock market data and measure the quality of out-of-sample predictions of different models on the basis of Fama-MacBeth regressions of the predicted return on the the actual return as well as portfolio sorts according to the predictions The analysis reveals that using machine learning techniques, namely gradient boosted decision trees and neural networks, for stock selection improves portfo-lio performance whereas this evidence does not hold true for all penalized linear models..     «

Models explaining the returns of individual stocks generally use company and stock characteristics, e.g. market prices of financial instruments and accounting data of companies. These characteristics can also be used to predict expected stock returns out-of-sample. Most studies use simple linear models to form these predictions. An increasing body of academic literature documents that non-linear models and machine learning methods can improve the stock return forecasts. Possible com-parable meth...     »

Aktienbewertungsmodelle verwenden in der Regel Unternehmens- und Aktienkurs-merkmale, z.B. Marktpreise und Bilanzdaten von Unternehmen, um die Rendite einzelner Aktien erklären. Diese Merkmale können auch verwendet werden, um erwartete Aktienrendite außerhalb einer beobachteten Stichprobe (auch als out-of-sample Vorhersagen bezeichnet) vorherzusagen. Die meisten Studien verwenden hierfür einfache lineare Modelle, um diese Vorhersagen zu bilden. Allerdings doku-mentieren wissenschaftliche Studien zunehmend, dass nichtlineare Modelle und maschinelle Lernmethoden die Prognosen der Aktienrendite verbessern können. Mögliche vergleichbare Methoden sind "penalized" lineare Modelle, z.B. Lasso und principal component regression, oder Machine Learning Methoden, z.B. Regression Trees (einschließlich "Boosted Regression Trees" und "Random Forests") und Neuronale Netze. Das Ziel dieser Arbeit ist es, zu beurteilen, ob "penalized" lineare Modelle und Machine Learning Methoden zu besseren Prognosen für Aktienrenditen führen als klassische lineare Regressionsmodelle, d.h. es werden Renditen von diesen Metho-den vorhergesagt, die bei der quantitativen Aktienauswahl besser Ergebnisse erzielen. Anhand einer Stichprobe von ca. 28 Jahren europäischer Kapitalmarktdaten und messe ich die Qualität von Out-of-Sample-Vorhersagen verschiedener Modelle auf der Grundlage von Fama-MacBeth-Regressionen der prognostizierten Rendite auf die tatsächliche Rendite sowie anhand von Portfolios, die gemäß den Vorhersagen ausgewählt sind. Die Analyse zeigt, dass die Verwendung von Machine Learning Methoden, insbesondere gradient boosted regression trees und Neuronale Netze, für die Aktienauswahl die Portfolio-Performance verbessert, während diese Evidenz nicht grundsätzlich für "penalized" linearen Modelle gilt.     «

Aktienbewertungsmodelle verwenden in der Regel Unternehmens- und Aktienkurs-merkmale, z.B. Marktpreise und Bilanzdaten von Unternehmen, um die Rendite einzelner Aktien erklären. Diese Merkmale können auch verwendet werden, um erwartete Aktienrendite außerhalb einer beobachteten Stichprobe (auch als out-of-sample Vorhersagen bezeichnet) vorherzusagen. Die meisten Studien verwenden hierfür einfache lineare Modelle, um diese Vorhersagen zu bilden. Allerdings doku-mentieren wissenschaftliche Studien...     »