1. Predicting Stock Market Trends in The Swedish Banking Sector Using a Discrete Markov Chain Model
- Author
-
Viberg, Emily, Söderqvist, Madeleine, Viberg, Emily, and Söderqvist, Madeleine
- Abstract
This thesis presents an evaluation of Markov chain models for predicting stock market trends in the banking sector. Two distinct models are analyzed: a model based on a uniform distribution and a model based on a normal distribution. The research begins by examining transition matrices derived from training data, revealing probabilities of state transitions. Subsequently, one single and the average of 10,000 simulations based on these probabilities are compared with actual market outcomes for the year 2023, highlighting both alignment and divergence over time. The steady-state distributions of the models indicate preferences for certain states, shedding light on potential biases in predictions. Evaluation metrics, including accuracy, precision, recall, and F1-score, offer insights into the models' performance demonstrating both strengths and weaknesses. Comparison between the uniform and normal models reveals differences in their predictive tendencies, influenced by the underlying distribution type. While the uniform model tends to predict more extreme fluctuations, the normal model favors moderate changes, impacting their respective accuracies and applicability. Our discussion revolves around the limitations of these models, emphasizing their reliance on historical data and the challenge of predicting in dynamic market conditions. Future research directions are proposed, including exploring the applicability of Markov models across different market sectors and investigating the banking sector's response to post-pandemic challenges. In conclusion, while Markov chain models provide valuable insights into short-term trends, their reliability for long-term predictions in dynamic markets, based on one simulation, remains uncertain. Nevertheless, long-term trends based on multiple simulations seem to be of value. Markov chain models can serve as complementary tools in investment decisions but should be used cautiously and in conjunction with other analytical methods., I denna rapport presenteras en utvärdering av Markovkedjemodeller för att förutsäga aktiemarknadstrender i banksektorn. Två distinkta modeller analyseras: en modell baserad på en likformig fördelning och en modell baserad på en normalfördelning. Initialt skapas övergångsmatriser från träningsdata med övergångssannolikheter. Därefter jämförs en enstaka samt snittet av 10 000 simuleringar baserade på dessa sannolikheter med det faktiska marknadsutfallet för år 2023, vilket belyser både likheter och skillnader över tid. Modellernas stationärfördelningar indikerar att det finns preferenser för vissa tillstånd, vilket åskådliggör potentiella snedvridningar i prediktionerna. Utvärderingsmått, inklusive noggrannhet, precision, träffsäkerhet och F1-poäng, ger insikter om modellernas prestanda, där båda visar styrkor och svagheter. Jämförelsen mellan den likformiga och normala modellen visar på skillnader i deras prediktiva tendenser, som påverkas av den underliggande fördelningstypen. Medan den likformiga modellen tenderar att förutsäga mer extrema fluktuationer, föredrar den normala modellen tillstånden motsvarande små förändringar, vilket påverkar deras respektive noggrannhet och tillämplighet. Vår diskussion kretsar kring begränsningarna hos modellerna, med betoning på deras beroende av historiska data och utmaningen att predicera under dynamiska marknadsförhållanden. Framtida forskningsvägar föreslås, bland annat att utforska Markov-modellernas tillämplighet inom olika marknadssektorer och undersöka banksektorns svar på post-pandemiska utmaningar. Sammanfattningsvis, även om Markov-kedjemodeller ger värdefulla insikter om kortsiktiga trender, är deras tillförlitlighet för långsiktiga prediktioner på dynamiska marknader, gjorda på en simulering, fortfarande osäker. Däremot kan värdefull information på lång sikt fås vid sammanvägning av flertalet simuleringar. Markov-kedjemodeler kan fungera som kompletterande verktyg vid investeringsbeslut, men bör användas med försikti
- Published
- 2024