Prediction of Stock Market Direction: Application of Machine Learning Models

Roselyn Dimingo, John Weirstrass Muteba Mwamba and Lumengo Bonga-Bonga
Additional contact information
Roselyn Dimingo: University of Johannesburg, South Africa

Economia Internazionale / International Economics, 2021, vol. 74, issue 4, 499-536

Abstract: Prediction of market direction has gained more attention than the prediction of point returns over the past few years as it is essential in determining buy and sell signals. A correct forecast of the market trend leads investors and asset managers to make knowledgeable decisions about their future investments. It is in this context that this study seeks to predict the market direction of two developed markets (USA and UK) and two emerging markets (South Africa and Brazil) using five machine learning techniques, namely Support Vector Machines (SVM), Decision Trees (DTs), Random Forest (RF), K-Nearest Neighbours (K-NN) and Linear Discriminant Analysis (LDA). We use the LDA algorithm as a benchmark since it is the only algorithm that is closely related to logistic regression model. Our empirical results show that the random forest (RF) is the best model in predicting the market direction of all the markets, developed or emerging. Moreover, the study finds that stock markets in both developed and emerging markets are determined by their previous day price and the stock dividend yield. Previsioni dell’andamento del mercato azionario: applicazione di modelli di machine learning Negli ultimi anni la previsione dell’andamento del mercato ha ricevuto più attenzione della previsione dei rendimenti puntuali poiché è essenziale nel determinare i segnali degli acquisti e delle vendite. Una previsione corretta delle tendenze del mercato induce gli investitori e i consulenti finanziari a prendere decisioni consapevoli circa i loro futuri investimenti. È in questo contesto che questo articolo cerca di prevedere la tendenza del mercato di due paesi sviluppati (Stati Uniti e Regno Unito) e di due paesi emergenti (Sud Africa e Brasile) tramite l’utilizzo di cinque tecniche di apprendimento automatico, precisamente: Support Vector Machines (SVM), Decision Trees (DTs), Random Forest (RF), K-Nearest Neighbours (K-NN) e Linear Discriminant Analysis (LDA). Quest’ultimo viene usato come modello di riferimento in quanto è l’unico algoritmo strettamente correlato al modello di regressione logistica. I risultati empirici mostrano che il modello random forest (RF) è il migliore per prevedere la tendenza di tutti i mercati, sia sviluppati che emergenti. Inoltre, lo studio evidenzia che sia i mercati azionari sviluppati che quelli emergenti sono determinati dalla quotazione del giorno precedente e dal rendimento dei dividendi.

Keywords: Machine Learning; Cross Validation; Confusion Matrix and Performance Evaluation (search for similar items in EconPapers)
JEL-codes: C55 C58 G11 G17 (search for similar items in EconPapers)
Date: 2021
References: View references in EconPapers View complete reference list from CitEc
Citations:

Downloads: (external link)
http://iei1946.it/upload/rivista_articoli/allegati ... edictionricfinal.pdf Full text (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:ris:ecoint:0909

Access Statistics for this article

Economia Internazionale / International Economics is currently edited by Giovanni Battista Pittaluga

More articles in Economia Internazionale / International Economics from Camera di Commercio Industria Artigianato Agricoltura di Genova Via Garibaldi 4, 16124 Genova, Italy. Contact information at EDIRC.
Bibliographic data for series maintained by Angela Procopio ().