Capitalizing on Momentum Using Machine Learning: Self-Organizing Maps with Hierarchical Clustering on the Oslo Stock Exchange
Description
Full text not available
Abstract
Ved å bruke en tverrsnittsmomentumstrategi basert på maskinlæringsteknikker på aksjer på Oslo Børs i perioden fra 1999 til 2022, finner vi en statistisk og økonomisk signifikant momentumeffekt. Trendindikatorer i form av 20-, 50-, 100- og 200-dagers glidende prisgjennomsnitt, samt markedsverdi og relativ bid-ask spread som mål på selskapsstørrelse og likviditet, brukes som input i et selvorganiserende kart for dimensjonalitetsreduksjon. Nodene i dette kartet grupperes deretter videre gjennom en hierarkisk klyngeanalyse. Vi finner at ved å investere i selskapene i klyngen med høyest foregående avkastning, kan en markedsmeravkastning på 2.53% per måned oppnås. Den foreslåtte momentumstrategien utkonkurrerer både direkte hierarkisk klynging og det å investere i vinnerporteføljen i metoden utviklet av Jegadeesh og Titman (1993), med henholdsvis 0.61 og 1.34 prosentpoeng per måned. Til tross for den høye risikoen og årlige variasjonen strategien medfører, finner vi at den gir bedre Sharpe og Sortino ratioer enn både markedet og de nevnte, sammenlignbare strategiene. Investorer kompenseres dermed for den ekstra risikoen gjennom høyere risikojustert avkastning. Resultatene indikerer at historisk kursutvikling til dels kan brukes til å forutsi fremtidig avkastning, spesielt i kombinasjon med annen selskapsspesifikk informasjon. By employing a cross-sectional momentum strategy based on machine learning techniques, we find evidence of a statistically and economically significant momentum effect on the Oslo Stock Exchange from 1999 to 2022. The approach of using 20-, 50-, 100-, and 200-day price simple moving averages as trend indicators, market capitalization as a proxy for size, and relative bid-ask spread as a measure of liquidity as input to a self-organizing map for dimensionality reduction, clustering the output using hierarchical clustering, and selecting the companies in the cluster with the highest past return, outperforms the market by 2.53 percentage points per month. Returns to the two-step clustering momentum procedure also exceed those of both the direct hierarchical clustering and cross-sectional long-only strategy of Jegadeesh og Titman (1993), by 0.61 and 1.34 percentage points, respectively. Although a risky approach exhibiting high inter-annual volatility, the proposed model yields higher Sharpe and Sortino ratios than the market and aforementioned comparable strategies, awarding the investor for the additional risk taken. Thus, past stock price movements seem to possess some predictive power over future price development, especially when supplemented with company-specific information.