0 cumulative citations
View corpus contextTree-based machine‑learning models pick undervalued Nordic stocks successfully: XGBoost (with Random Forest close behind) delivered the best classification performance, and a backtested value portfolio beat the MSCI Nordic by roughly 8 percentage points annually. However, the result rests on historical backtests that do not report key robustness checks (transaction costs, survivorship protection or out‑of‑sample validation).
Maskininlärningsbaserad värdeinvestering på nordiska börser
openalex
correlational
low evidence
7/10 relevance
Summary only
summary available; pdf_status=pending
Source
Using P/B, P/E, P/CF and P/S for Nordic firms (2014–2024), tree-based machine-learning models (XGBoost, Random Forest) most accurately identify value stocks in backtests, and a model-selected value portfolio outperformed the MSCI Nordic index by about 8 percentage points annualized.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
Försök på att förstå och förutspå trender på finansiella marknader har ständigt hållit på sedan finansiella marknaders framkomst. I takt med tillväxt av marknader har nya teorier uppstått och utvecklats ännu vidare. Värdeinvestering skiljer sig inte från denna trend. Teorin bakom värdeinvestering går tillbaka ända till 1930-talet. Utveckling av teknologi har väckt intresse i att koppla ekonomisk teori med moderna teknologi, vilket lett till användning av maskininlärning för att vidare effektivera beslutsfattande och analys. Denna avhandling kommer se på värdeinvestering från en modern synvinkel och koppla teori och teknologi. Maskininlärning har visats vara ett mycket kraftig verktyg för en värdeinvesterare och forskning kring maskininlärning inom ekonomi har växt i popularitet det senaste årtiondet. Avhandlingen har som syfte att undersöka hur modern maskininlärning kan stöda värdeinvestering och huruvida värdeinvestering är en lönsam strategi på nordiska marknader. Avhandlingen vill även bidra till litteraturen om värdeinvestering på nordiska marknader och anser att de resultat som avhandlingen presenterar visar att värdeinvestering fortsätter vara en vinnande investeringsstrategi på nordiska marknader. För att uppfylla avhandlingens syfte, ställs följande forskningsfrågor: Vilken maskininlärningsmodell identifierar värdeaktier med högst precision? Kan en portfolio av värdeaktier identifierade av maskininlärningsmodeller vinna jämförbart index? Avhandlingen tillämpar en kvantitativ metod där tre maskininlärningsmodeller jämförs i deras förmåga att identifiera värdeaktier med hjälp av finansiella fundamenten P/B, P/E, P/CF och P/S. Random Forest, Multi-Layer Perceptron och XGBoost tränas på finansiell data från nordiska börsnoterade företag under perioden 2014–2024 och deras prestation utvärderas med hjälp av standardiserade mätetal. Den vinnande modellen används för att förutspå årliga avkastningen av identifierade värdeaktier. En värdeaktieportfölj av förutspådda vinnande aktier byggs och dess prestation jämfört med det nordiska indexet MSCI Nordic. Resultaten visar att trä-baserade modeller identifierar undervärderade aktier med hög noggrannhet. XGBoost visade extremt hög noggrannhet med Random Forest inte långt efter. Vidare visar resultaten att värdeaktier returnerade i genomsnitt 8 % högre årlig avkastning jämfört med MSCI Nordic. Dessa resultat indikerar att maskininlärning kan utnyttjas för att effektivera beslutsfattande för värdeinvesterare och att värdeinvestering som strategi även är livskraftig på nordiska marknader. Avhandlingens fynd bidrar till forskning inom maskinlärning och ekonomi samt presenterar bevis på trä-baserade modellers övertygande prestationer med finansiell data.
Summary
Main Finding
Maskininlärning kan effektivt identifiera värdeaktier på nordiska marknader och implementeras för att skapa en värdeaktie‑portfölj som överpresterar jämförelseindex. Träd‑baserade modeller (särskilt XGBoost, med Random Forest nära efter) uppvisar högst noggrannhet vid identifiering av undervärderade aktier, och den byggda värdeportföljen gav i genomsnitt ~8 % högre årlig avkastning än MSCI Nordic över studieperioden.
Key Points
- Syfte: Undersöka hur modern maskininlärning kan stödja värdeinvestering och om värdestrategier är lönsamma på nordiska marknader.
- Forskningsfrågor: 1) Vilken ML‑modell identifierar värdeaktier med högst precision? 2) Kan en ML‑identifierad värdeportfölj slå index?
- Modeller jämförda: XGBoost, Random Forest (RF), Multi‑Layer Perceptron (MLP).
- Använda fundamentala variabler: P/B, P/E, P/CF, P/S.
- Resultat: Träd‑baserade modeller dominerar; XGBoost högst noggrannhet, RF nära; MLP underpresterade relativt trädmodeller.
- Ekonomisk utfall: Portföljen av ML‑identifierade värdeaktier returnerade i genomsnitt ~8 % högre årlig avkastning än MSCI Nordic.
- Slutsats: Maskininlärning kan förbättra beslutsfattande för värdeinvesterare och värdeinvestering kvarstår som en livskraftig strategi i Norden.
Data & Methods
- Datamaterial: Finansiella fundament från nordiskt börsnoterade företag, period 2014–2024.
- Features: Kvotmått för värde (P/B, P/E, P/CF, P/S).
- Metod: Kvantitativ jämförelse av tre ML‑modeller tränade för att klassificera/identifiera värdeaktier; utvärdering med standardiserade mätetal (t.ex. klassificeringsnoggrannhet och ekonomisk avkastning) och backtest av en portfolio bestående av modellerade vinnare.
- Portföljutvärdering: Byggd utifrån modellprediktioner; jämförd mot MSCI Nordic för avkastningsmätning.
- Viktiga metodologiska detaljer som påverkar tolkning: modellval, tränings-/testuppdelning, årsbasis för prediktioner och portföljkonstruktion.
Implications for AI Economics
- Modellval för finansiell data: Träd‑baserade metoder (XGBoost, Random Forest) är särskilt väl lämpade för tabulära finansiella data och ger både hög prediktiv prestanda och möjligheter till tolkning via feature importance.
- Marknadseffektivitet: Resultaten tyder på kvarvarande exploaterbara värde‑mönster i nordiska marknader under studerad period, vilket är relevant för analyser av marknadseffektivitet.
- Policy och praktik: Praktiker inom kapitalförvaltning kan integrera träd‑baserad ML i urvalsprocesser för fundamentalt drivna strategier; dock krävs hänsyn till transaktionskostnader, likviditet och implementeringsslippage.
- Forskning och generaliserbarhet: Stöder vidare forskning kring ML i ekonomi — särskilt behovet av robusta out‑of‑sample‑tester, analys av regime‑skiften, och överförbarhet till andra marknader och längre tidsperioder.
- Risker och begränsningar att adressera: potentiell överfitting, survivorship‑ och look‑ahead‑bias, transaktionskostnader, och modellrobusthet under marknadsstress. Dessa måste kvantifieras för att bedöma verklig ekonomisk betydelse.
- Bro mellan teori och teknik: Studien visar hur modern ML kan operationalisera klassiska ekonomiska teorier (värdeinvestering) och därigenom bidra både till praktisk tillämpning och ekonomisk teoriutveckling.
Assessment
Paper Typecorrelational
Evidence Strengthlow — Findings are based on historical backtests and predictive-model comparisons without clear causal identification or reported robustness checks; potential for overfitting, look-ahead/survivorship bias, omitted transaction costs, and unreported out-of-sample validation reduce confidence that reported outperformance would persist in practice.
Methods Rigorlow — Description omits key methodological details needed to judge rigor: no information on train/validation/test splits or cross-validation, hyperparameter tuning procedures, protection against data leakage, handling of survivorship bias, treatment of transaction costs and liquidity, statistical significance of returns, or robustness across subsamples and alternative specifications.
SampleNordic publicly listed firms (2014–2024) with financial fundamentals P/B, P/E, P/CF and P/S used as predictors; three ML models (Random Forest, Multi-Layer Perceptron, XGBoost) trained on these features and evaluated by standard performance metrics; winning model used to construct an annually rebalanced 'value' portfolio compared to the MSCI Nordic index. (Paper does not report exact number of firms, exclusions, frequency of fundamentals updates, or whether delisted firms were included.)
Themesadoption innovation
GeneralizabilityLimited to Nordic equity markets and the 2014–2024 sample period, Uses only four traditional accounting ratios as features, omitting price-impact, macro, or alternative data, Potential look-ahead and survivorship biases undermine external validity, Backtest results may not account for transaction costs, market impact, liquidity constraints or real-time signal availability, Model performance may not generalize to other market regimes, geographies, or longer horizons, Unclear sample size and firm-selection rules limit inference to broader universes
Claims (7)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| Avhandlingen jämför tre maskininlärningsmodeller (Random Forest, Multi-Layer Perceptron och XGBoost) i deras förmåga att identifiera värdeaktier med hjälp av finansiella fundamenten P/B, P/E, P/CF och P/S. Decision Quality | null_result | förmåga att identifiera värdeaktier |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Modellerna tränades på finansiell data från nordiska börsnoterade företag under perioden 2014–2024. Other | null_result | dataperiod och datakälla för modellträning |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Trä-baserade modeller identifierar undervärderade aktier med hög noggrannhet; XGBoost visade extremt hög noggrannhet och Random Forest inte långt efter. Decision Quality | positive | klassificeringsnoggrannhet i att identifiera undervärderade aktier |
Reading fidelity
high
Study strength
medium
|
not reported
|
| En värdeaktieportfölj av förutspådda vinnande aktier returnerade i genomsnitt 8 % högre årlig avkastning jämfört med MSCI Nordic. Firm Revenue | positive | årlig avkastningsskillnad mellan värdeaktieportfölj och MSCI Nordic |
Reading fidelity
high
Study strength
medium
|
8 % högre årlig avkastning
|
| Maskininlärning kan utnyttjas för att effektivera beslutsfattande för värdeinvesterare. Decision Quality | positive | förbättring av investeringsbeslut (användbarhet av ML för beslutsstöd) |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Värdeinvestering fortsätter vara en vinnande investeringsstrategi på nordiska marknader. Decision Quality | positive | strategins lönsamhet/viabilitet på nordiska marknader |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Forskning kring maskininlärning inom ekonomi har växt i popularitet det senaste årtiondet. Research Productivity | positive | forskningens popularitet (volym/uppmärksamhet över tid) |
Reading fidelity
medium
Study strength
low
|
not reported
|