Piksussa on tutkittu (Neuroverkko, Chat-GPT kielimalli, monimuuttuja regressio malli,…) erilaisia koneoppimiseen ja tekoälyyn perustuvia algoritmejä ja sovellettu niitä osakevalintoihin. Monimuuttuja regressio malli (Multiple Linear Regression / MLR) on osoittautunut toimivaksi ja sillä saavutettuja tuloksia käytetään nyt osakevalintoihin.  Alustavat tulokset ovat lupaavia.

Multiple Linear Regression (MLR) koneoppimista on hyödynnetty siten, että osakkeet salkkuun valitaan kvartaaliraporttien antamien tunnuslukujen perusteella. MLR malli laskee mitkä osakkeet kannattaa tunnuslukujen perusteella kulloinkin ostaa. Mallin toimintaa on simuloitu viiden vuoden ajalta pohjoismaisille yhtiöille (kuva). Näyttäisi siltä että malliin luottamalla saa indeksiä parempaa tuottoa.

Simuloitu salkun kehitys on erittäin hyvää, jos mallin optimoimiseen käytetään pohjoismaisia osakkeita ja sen jälkeen tehdään osakevalinnat pohjoismaisille pienille ja keskisuurille pörssiyhtiöille (kuvan sininen käyrä). Niin pitääkin olla. Se osoittaa että malli toimii oikein, mutta ei anna luotettavaa kuvaa siitä miten malli olisi toiminut oikeassa tilanteessa. Kuvan violetti käyrä kuvaa tilannetta, jossa malli on tehty eri datalla (eri osakkeilla) kuin millä mallin toimintaa on simuloitu.  Tuotto jää tällä tavalla pienemmäksi, mutta tämä antaan aika luotettavan kuvan siitä miten osuviin valintoihin malli yltää oikeassa todellisessa tilanteessa.

Työn kuluessa on opittu seuraavat asiat:

• Tilinpäätösraporteissa ja tunnusluvuissa on tärkeää, tulevaan kurssikehitykseen vaikuttavaa informaatiota
• Tilinpäätöstietojen lisäksi on olemassa paljon muuta tärkeää informaatiota joka ei näy tunnusluvuista
• Tilinpäätösten analysoiminen vaatii kokemusta ja ammattitaitoa. Mikään, edes koneoppiminen,  ei tunnu onnistuvan ilman syvällistä ymmärtämystä tutkittavasta kohteesta kuten tilinpäätöksistä.
• Koneoppimisen ja tekoälyn hyödyntäminen ei onnistu yhdeltä ihmiseltä. Tarvitaan erilaisia näkökulmia ja erilaista osaamista (matematiikka, tilinpäätösanalyysi, informaatiotekniikkaa, ….)
• Koneoppimista ei voi hyödyntää pienissä ja keskisuurissa rahastoyhtiöissä. Resurssit ja osaaminen eivät riitä mallin kehittämiseen.