Swedish Abstract
I denna studie jämförs en ekonometrisk modell, ARMA-GARCH, med en djupinlärningsmodell, LSTM, på det svenska småbolagsindexet OMXSSC. Det finns en brist på studier som jämför djupinlärningsmodeller med GARCH-modeller, framförallt på svenska småbolagsindex, vilket denna studie söker att bidra med. Studien ämnar dels att besvara om LSTM kan användas som substitut för ARMA-GARCH samt dels om en algoritmisk handelsstrategi som ger högre avkastning än det berörda indexet kan skapas. Modellerna korsvalideras över 1.000 tidpunkter och utvärderas med MAPE, RMSE, precision, känslighet, F-värde och avkastning från simulerad handel. Mäts prestation i prediktionsfel är modellerna oskiljbara. Resultatet visar dock att ARMA-GARCH i genomsnitt är mer exakt och genererar högre avkastning än LSTM. Denna studie antyder därför att ARMA-GARCH är att föredra framför LSTM. Studien antyder även att ARMA-GARCH, men inte LSTM, kan användas för att skapa en algoritmisk handelsstrategi som överpresterar utvecklingen av OMXSSC under den givna perioden.
English Abstract
In this study, an econometric model, ARMA-GARCH, is compared with a deep learning model, LSTM, on the Swedish small-cap index OMXSSC. There is a lack of studies comparing deep learning models with GARCH models, especially on Swedish small-cap indices, which this study seeks to contribute to. The study aims to answer whether LSTM can be used as a substitute for ARMA-GARCH, and whether an algorithmic trading strategy that yields higher returns than the relevant index can be created. The models are cross-validated over 1,000 time points and evaluated using MAPE, RMSE, precision, sensitivity, F-score, and returns from simulated trading. When measuring performance in terms of prediction error, the models are indistinguishable. However, the results show that ARMA-GARCH is on average more accurate and generates higher returns than LSTM. This study therefore suggests that ARMA-GARCH is preferable to LSTM. The study also suggests that ARMA-GARCH, but not LSTM, can be used to create an algorithmic trading strategy that outperforms the performance of OMXSSC during the given period.