Sammendrag
Denne studien undersøker hvordan kunstig intelligens kan brukes som et verktøy i porteføljeoptimering, med fokus på risikojustert avkastning. Investering i langsiktige risikopremier er en sentral strategi i finans, der målet er å oppnå stabil, risikojustert avkastning gjennom en diversifisert portefølje av aktiva som aksjer, obligasjoner, råvarer og eiendom. Studien sammenligner tradisjonell porteføljeoptimering ved bruk av en effisient front (EF) med en selvlærende Long Short-Term Memory (LSTM)-modell, samt en Multi-Layer Perceptron (MLP) som referansemodell. Vi bruker kapitalverdimodellen til å estimere forventet avkastning for modellene, med fokus på deres evne til å balansere risiko mot forventet avkastning. Resultatene viser at LSTM-modellen kan være et alternativ for å oppnå bedre risikojustert avkastning sammenlignet med tradisjonelle optimeringsmetoder. På denne måten illustrerer studien hvordan kunstig intelligens kan være et pedagogisk og praktisk verktøy for å bedre beslutningstaking i porteføljeforvaltning.