The Predictive Power of Machine Learning Compared to Traditional Models in Stock Market Forecasting
Pysyvä osoite
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
The purpose of this thesis is to investigate how machine learning can help stock market and how
different models perform compared with traditional financial methods. The study also examines
how data quality, feature selection, and market conditions influence forecasting accuracy. The
motivation for this research arises from the limitations of traditional financial models. These
models often assume stable relationships even though financial markets are complex and
constantly changing.
The thesis reviews theoretical background related to market efficiency and behavioral finance,
which help explain why predicting stock prices is difficult. Behavioral finance shows that
investors do not always act rationally, and for example psychological factors can affect price
movements. Because of this, traditional econometric models do not always fully describe real
market behaviour.
Previous research shows that machine learning models can produce more accurate forecasts
than traditional forecasting methods. For example, Random Forest, Support Vector Machines
and deep learning models have shown promising results. However, result may vary depending
on data quality and market situations. Also, practical forecasting use for the models have been
discussed. With strengths and limitations, machine learning is showing to work better as a
supportive tool rather than a complete replacement for traditional financial analysis.
Tämän tutkielman tavoitteena on selvittää, miten koneoppimista voidaan hyödyntää
osakemarkkinoiden ennustamisessa ja miten eri mallit toimivat verrattuna perinteisiin
taloudellisiin ennustemenetelmiin. Lisäksi työssä tarkastellaan, miten datan laatu, muuttujien
valinta sekä markkinaolosuhteet vaikuttavat ennusteiden tarkkuuteen. Tutkimuksen
lähtökohtana ovat perinteisten rahoitusmallien rajoitteet, sillä ne olettavat usein markkinoiden
käyttäytyvän vakaasti, vaikka todellisuudessa markkinat ovat monimutkaisia ja jatkuvasti
muuttuvia.
Työssä käydään läpi markkinoiden tehokkuuteen ja käyttäytymistaloustieteeseen liittyvää
teoriaa, jotka auttavat ymmärtämään, miksi osakekurssien ennustaminen on vaikeaa.
Käyttäytymistaloustiede osoittaa, etteivät sijoittajat aina toimi täysin rationaalisesti, ja
esimerkiksi psykologiset tekijät voivat vaikuttaa hintojen liikkeisiin. Tämän vuoksi perinteiset
ekonometriset mallit eivät aina kuvaa markkinoiden todellista käyttäytymistä kovin hyvin.
Aiempi tutkimus osoittaa, että koneoppimismallit voivat monissa tapauksissa tuottaa tarkempia
ennusteita kuin perinteiset menetelmät. Esimerkiksi Random Forest-, Support Vector Machine-
ja syväoppimismallit ovat antaneet lupaavia tuloksia. Tulokset kuitenkin vaihtelevat riippuen
käytetystä datasta ja markkinatilanteesta. Tutkimuksissa on myös korostettu mallien käytännön
soveltamisen haasteita. Sekä vahvuuksista että rajoitteista huolimatta koneoppiminen näyttää
toimivan paremmin ennustamisen tukena kuin täysin perinteisten analyysimenetelmien
korvaajana.