Prognozowanie ceny akcji spółki First Solar z wykorzystaniem uczenia maszynowego na podstawie wskaźników finansowych i makroekonomicznych

Abstract

Cel | Celem badania jest ocena przydatności wskaźników finansowych i makroekonomicznych jako predyktorów krótkoterminowej ceny akcji spółki First Solar w modelach uczenia maszynowego. W ramach tego celu sformułowano dwa pytania badawcze: (1) Które wskaźniki wykazują najsilniejszy związek z ceną akcji? oraz (2) Który z testowanych algorytmów zapewnia najwyższą dokładność prognozy? Metoda badań | W badaniu przeanalizowano związek między cenami akcji spółki First Solar a wybranymi wskaźnikami finansowymi i makroekonomicznymi w okresie od pierwszego kwartału 2011 roku do drugiego kwartału 2024 roku. Do zmiennych objaśniających wybrano wskaźniki finansowe (rentowności, wartości rynkowej, zadłużenia i płynności) i zmienne makroekonomiczne (CPI, PKB, stopa bezrobocia). Przetestowano różne algorytmy uczenia maszynowego, w tym regresję liniową, regresję Lasso, regresję Ridge, drzewa decyzyjne, las losowy oraz modele zespołowe. Wnioski | Badanie wykazało, że modele uczenia maszynowego są skutecznym narzędziem do prognozowania cen akcji. Najlepsze wyniki w prognozowaniu cen akcji First Solar uzyskał model zespołowy. Spośród analizowanych wskaźników największy związek z cenami akcji miały wskaźniki rentowności i wartości rynkowej. Badanie potwierdziło, że wskaźniki finansowe i makroekonomiczne mogą być efektywnymi predyktorami dla krótkoterminowego prognozowania cen akcji. Oryginalność / wartość / implikacje / rekomendacje | Badanie wnosi wkład w literaturę naukową poprzez dostarczenie nowych dowodów z amerykańskiego rynku akcji. Wyniki mają praktyczne zastosowanie dla uczestników rynku, takich jak traderzy czy fundusze hedgingowe, dostarczając narzędzi do krótkoterminowego prognozowania cen akcji.

Purpose | The aim of this study is to assess the suitability of financial and macroeconomic indicators as predictors of First Solar’s short-term stock price in machine learning models. Two research questions were formulated: (1) which indicators demonstrate the strongest correlation with the stock price? and (2) which of the tested algorithms provides the highest forecast accuracy? Research method | The study analysed the relationship between First Solar’s stock price and selected financial and macroeconomic indicators from the first quarter of 2011 to the second quarter of 2024. Explanatory variables included financial indicators (profitability, market value, debt, and liquidity) and macroeconomic variables (CPI, GDP, and unemployment rate). Various machine learning algorithms were tested, including linear regression, Lasso regression, Ridge regression, decision trees, random forest, and ensemble models. Results | The study found that machine learning models are an effective tool for predicting stock prices. The ensemble model achieved the best results in forecasting First Solar’s stock price. Among the analysed metrics, profitability and market value had the greatest correlation with stock prices. The study confirmed that financial and macroeconomic indicators can be effective predictors for short-term stock price forecasting. Originality / value / implications / recommendations | This study contributes to the scientific literature by providing new evidence from the US stock market. The results have practical applications for market participants, such as traders and hedge funds, by providing tools for short-term stock price forecasting.