This thesis investigates the added value of state of the art Machine Learning methods compared to traditional Ordinary Least Squares Regression regarding the prediction of monthly excess returns of stocks. The performance of all models is analyzed regarding their predictive power and economic value of stock portfolios resulting from these models. The focus of the analysis lies on Emerging Markets and the economic value of the stock portfolios is evaluated under realistic assumptions from the perspective of a private investor. Besides Machine Learning models for excess return prediction, a modern variable selection method is used to shrink down the universe of 62 firm-level characteristics which are considered for return prediction. Regarding predictive power, especially Random Forest and Gradient Boosting yield significant outperformances of Ordinary Least Squares Regression in a locally trained setting and after eradication of the Publication Bias among the characteristics. This outperformance is reflected in a substantial economic gain in the long-only stock portfolios, both before and after deduction of transaction costs. Since the Machine Learning portfolios exhibit high turnovers, a turnover mitigating portfolio strategy is investigated which shows even higher excess returns. Also compared to a market benchmark, the Machine Learning portfolios yield a substantial added value.     «

This thesis investigates the added value of state of the art Machine Learning methods compared to traditional Ordinary Least Squares Regression regarding the prediction of monthly excess returns of stocks. The performance of all models is analyzed regarding their predictive power and economic value of stock portfolios resulting from these models. The focus of the analysis lies on Emerging Markets and the economic value of the stock portfolios is evaluated under realistic assumptions from the per...     »

Diese Arbeit untersucht den Mehrwert, den moderne Machine Learning Methoden hinsichtlich der Vorhersage monatlicher Überschussrenditen von Aktien gegenüber traditioneller Ordinary Least Squares Regression bieten. Die verschiedenen Modelle werden hinsichtlich ihrer Vorhersagekraft und des ökonomischen Wertes der aus diesen Modellen resultierenden Aktienportfolios analysiert. Der Fokus der Analyse liegt dabei auf Schwellenländern und der ökonomische Wert der Aktienportfolios wird unter realistischen Annahmen aus der Sicht eines Privatanlegers bewertet. Neben Machine Learning Modellen zur Vorhersage von Überschussrenditen wird eine moderne Methode zur Variablenselektion eingesetzt, um das Universum von 62 Unternehmenscharakteristika, die für die Renditevorhersage berücksichtigt werden, zu reduzieren. Hinsichtlich der Vorhersagekraft übertreffen insbesondere Random Forest und Gradient Boosting die Ordinary Least Squares Regression nach lokalem Training und nach Beseitigung des Publication Bias der Charakteristika deutlich. Diese Outperformance spiegelt sich in einem beträchtlichen wirtschaftlichen Gewinn in den Aktienportfolios wider, sowohl vor als auch nach Abzug der Transaktionskosten. Da die Machine Learning Portfolios hohe Turnover aufweisen, wird eine Portfoliostrategie untersucht, die den Turnover verringert und dabei noch höhere Überrenditen aufweist. Auch im Vergleich zu einem Marktportfolio liefern die Machine Learning Portfolios einen erheblichen Mehrwert.     «

Diese Arbeit untersucht den Mehrwert, den moderne Machine Learning Methoden hinsichtlich der Vorhersage monatlicher Überschussrenditen von Aktien gegenüber traditioneller Ordinary Least Squares Regression bieten. Die verschiedenen Modelle werden hinsichtlich ihrer Vorhersagekraft und des ökonomischen Wertes der aus diesen Modellen resultierenden Aktienportfolios analysiert. Der Fokus der Analyse liegt dabei auf Schwellenländern und der ökonomische Wert der Aktienportfolios wird unter realistisch...     »