Vi har utvecklat en maskininlärningsmodell för att förutsäga sannolikheten för att ett tillgångspris stiger eller sjunker under de kommande 5, 10 eller 20 dagarna. Modellen är kalibrerad på historisk data och använder en Random Forest-modell.

Modellens beroende variabel är en indikator lika med ett om priset ökat under det valda antalet dagar, annars är det noll. Vi undersökte en uppsjö av tidsserier och indikatorer för att hitta de bästa modellprediktorerna. Slutligen valde vi följande 6 modeller/indikatorer att inkludera i NQ Score:

• Market Regimes

• Trade Range

• Fractals

• Volym

• Volatilitet

• Momentum

En Random Forest-model fungerar på följande sätt. Den tar dessa indikatorer eller modeller som inputs och matchar med flera dussintals mindre modeller, som var och en förutsäger om priset kommer att gå upp eller ner, och sedan aggregerar alla dessa prognoser till en slutlig sannolikhet.

Den slutliga förutsägelsen är en sannolikhet och varierar från 0 till 1. Vi tog dessa förutsägelser och omvandlade dem till en score på en skala från -10 till 10 så att den förutsagda sannolikheten för prisökningen ökar när score ökar, och att positiva värden på score tyder på en prisökning medan negativa värden tyder på en prisminskning.

Vi har backtestat modellen för OMXS30 och andra marknader under en period från januari 2010 till december 2021. Totalt 3 007 dagar, varav 60,4 % dagar hade en ökning i OMXS30 under de kommande 10 dagarna.

Som framgår av bilden nedan är den övergripande modellens prestanda tillfredsställande. Alla dagar som fick en score högre än 8 såg en prisökning kommande 10 dagarna. Dagar som fick en score mellan 7 och 8, såg en prishöjning i 86% av fallen. Å andra sidan upplevde dagar som fick en poäng mellan -4 och -5 en prishöjning endast 22% av gångerna.

NQ Forest Score-modellen kommer att finnas tillgänglig i vår plattform. Vi tillämpar den på större globala marknader och svenska aktier.