CONSTRUCTION OF STOCK PORTFOLIOS BY MACHINE LEARNING METHODS - Master Thesis Defense

Aug 3, 2026

Upload by Ophelia

The study reviews the theoretical foundations and practical performance of Long Short-Term Memory Networks (LSTM) and Random Forest methods for stock market prediction. It first explores the mathematics behind these algorithms, including gradient descent, automatic differentiation, and an introduction to recurrent neural networks. It then builds rule-based portfolio strategies using technical or fundamental indicators, predicting returns and ranking stocks to form diversified portfolios with annual rebalancing. Portfolio results are benchmarked against market indices such as S&P 500 using CAGR, assessing whether machine learning can support financial decision-making and motivate future research.

LanguageEnglish

CategoryResearch & Report

FormatPDF

Pages2

Reading Time5 min

AccessFree to download

Abstract

LSTM and Random Forest foundations

Portfolio construction with technical/fundamental indicators

Return prediction, ranking, rebalancing

Benchmarking vs S&P 500 using CAGR

Performance implications and future research

The College of Graduate Studies and the College of Science Cordially Invite You to a Master Thesis Defense Entitled CONSTRUCTION OF STOCK PORTFOLIOS BY MACHINE LEARNING METHODS by Alfan Gehad Hasan Abulehia Student ID: 201735442 Faculty Advisor Dr. Ho Hon Leung, Department of Mathematics College of Science Date & Venue 4:30 pm-6:00 pm Thursday, 24 April 2025 F3-132 Abstract We review the theoretical foundations and empirical workings of Long Short-Term Memory Networks (LSTM) and Random Forest for stock market prediction. To be precise, our work initiates with a deep-dive exploration in the mathematics of these algorithms which covers topics like gradient descent, automatic differentiation, and a bit on recurrent neural networks as well. An application creates stock portfolios through LSTM and Random Forest rules- based strategies, using either technical or fundamental indicators as input variables. The process involves predicting returns and ranking stocks accordingly to build portfolios with a certain level of diversification and annual rebalancing over a defined back-testing period. The paper then benchmarks the performance of such portfolios against market benchmarks like the S&P 500, with CAGR as the key metric to be calculated. The results of our study measure the ability of Machine Learning based strategies to outperform the traditional market indices and, in a broader sense, to provide more information on whether or not Machine Learning has the potential to aid in financial decisionmaking. Such results will, thus, have possible extensions for future research. Keywords: Long Short-Term Memory Networks (LSTM), Random Forest, gradient descent, recurrent neural networks, diversification, portfolio. تتشرف كلية الدراسات العليا و كلية العلوم بدعوتكم لحضور مناقشة أطروحة رسالة الماجستير العنوان بناء محافظ الأسهم باستخدام طرق التعلم الآلي للطالب ألفان جهاد حسن أبولحية الرقم الجامعي201735442 : المشرف د. هو هون ليونغ، قسم الرياضيات كلية العلوم المكان والزمان 4:30-6:00 الخميس، 24 ابريل 2025 F3-132 الملخص نستعرض الأسس النظرية والآليات العملية لكل من شبكات الذاكرة طويلة وقصيرة المدى ) LSTM ( وغابة القرار ( Randon Forest ) في توقعات سوق الأسهم. على وجه التحديد، يبدأ عملنا باستكشاف عميق في الرياضيات الخاصة بهذه الخوارزميات،متناولًا موضوعات مثل الًنحدار التدريجي، التفاضل التلقائي، ونظرة على الشبكات العصبية المتكررة.يتم إنشاء محافظ الأسهم من خلال استراتيجيات قائمة على قواعد LSTM وRandom Forest ، باستخدام المؤشرات الفنيةأو الأساسية كمتغيرات إدخال. تتضمن العملية التنبؤ بالعوائد وتصنيف الأسهم وفقاا لذلك، لبناء محافظ تتسم بمستوى معين منالتنويع وإعادة التوازن السنوية خلال فترة اختبار محددة. بعد ذلك، يتم قياس أداء هذه المحافظ مقارنةابالمؤشرات السوقية مثل S&P 500، حيث يتم احتساب معدل النمو السنوي المركب )CAGR( كمقياس أساسي.تقيس نتائج دراستنا قدرة استراتيجيات التعلم الآلي على التفوق على المؤشرات التقليدية للسوق، وفي سياق أوسع، تقييم ما إذاكان التعلم الآلي يمكن أن يساعد في اتخاذ القرارات المالية. وبالتالي، يمكن أن تمتد هذه النتائج لتفتح آفاقاا للبحث المستقبلي. كلمات البحث الرئيسية: شبكات الذاكرة طويلة وقصيرة المدى، وغابة القرار العشوائية، الًنحدار التدريجي، الشبكات العصبيةالمتكررة، التنويع، محافظ.

FAQs

What machine learning models are used for stock market prediction?

The thesis evaluates Long Short-Term Memory Networks (LSTM) and Random Forest for predicting stock market behavior.

How are stock portfolios constructed in the proposed approach?

Portfolios are built using rule-based strategies driven by LSTM and Random Forest, with either technical or fundamental indicators as input variables.

What metric is used to benchmark portfolio performance against market benchmarks?

Performance is benchmarked against indices such as S&P 500, with CAGR used as the key metric.

Aug 3, 2026

Upload by Ophelia