The thesis investigates whether an adaptive ensemble of trading signals can outperform a traditional equal-weighted portfolio in terms of return and risk- adjusted performance. Financial markets are characterized by uncertainty, non- stationarity and varying market regimes. This makes it difficult for any single strategy to deliver strong performance all the time. To address this challenge, the study proposes an Adaptive Performance-Weighted(APW) framework that dynamically assigns weights to trading signals based on their recent predictive accuracy.

The proposed model is evaluated using a backtesting framework applied to a diversified universe of 65 exchange-traded funds (ETFs) across multiple asset classes, including equities, fixed income commodities and currencies. The analysis covers the period from 2017 to 2025 and compares the APW model with a baseline Equal-Weighted (EW) portfolio. Performance is assessed using both return-based and risk-adjusted metrics, including annual returns, volatility, Sharpe ratio, Sortino ratio and maximum drawdown.

The empirical results indicate that the APW model is capable of improving return generation in several periods in trending market environments. The adaptive weighting mechanism allows the model to allocate more capital to signals that have recently performed well, leading to higher returns in certain years compared to the equal-weighted benchmark. However, the results also show that this improvement is not consistent across all the market conditions. During periods of market instability, both portfolios experience similar levels of drawdown and volatility.

In terms or risk-adjusted performance, both strategies show limitations, as reflected in the presence of negative Sharpe and Sortino ratios in several years. This suggests that although the APW model can enhance return potential, it does not eliminate the trade-off between return and risk. The analysis further reveals that the adaptive model introduces greater variability in returns.

A robustness analysis shows that model performance is sensitive to parameter choices. The choice of lookback window, prediction horizon and weighting scheme. No single configuration is found to be universally optimal. This highlights the importance of balancing adaptability and robustness in portfolio design.

Detta examensarbete undersöker om en adaptiv ensemble av handelssignaler kan överträffa en traditionell likaviktad portfölj med avseende på avkastning och riskjusterad prestation. Finansiella marknader präglas av osäkerhet, icke- stationaritet och varierande marknadsregimer, vilket gör det svårt för en enskild strategi att konsekvent leverera goda resultat. För att hantera detta problem föreslår studien en adaptiv modell, Adaptive Performance-Weighted (APW), som dynamiskt viktar handelssignaler baserat på deras senaste prediktiva förmåga.

Modellen utvärderas genom en backtesting-metod på en diversifierad portfölj bestående av 65 börshandlade fonder (ETF:er) inom flera tillgångsslag, inklusive aktier, räntor, råvaror och valutor. Analysen omfattar perioden 2017–2025 och jämför den adaptiva modellen med en baslinjemodell med lika vikter (Equal- Weighted, EW). Prestationen utvärderas med både avkastningsbaserade och riskjusterade mått, såsom årlig avkastning, volatilitet, Sharpekvot, Sortinokvot och maximal nedgång (drawdown).

Resultaten visar att APW-modellen kan förbättra avkastningen under vissa perioder, särskilt i marknadsmiljöer med tydliga trender. Genom att ge större vikt åt signaler som nyligen presterat väl kan modellen bättre utnyttja gynnsamma marknadsförhållanden. Samtidigt visar resultaten att denna förbättring inte är konsekvent över alla perioder. Under turbulenta marknadsförhållanden uppvisar båda portföljerna liknande nivåer av volatilitet och nedgångar.Ur ett riskjusterat perspektiv uppvisar båda strategierna begränsningar, vilket framgår av negativa Sharpe- och Sortinokvoter under flera år. Detta indikerar att även om den adaptiva modellen kan förbättra avkastningspotentialen, eliminerar den inte den grundläggande avvägningen mellan avkastning och risk. Analysen visar också att den adaptiva modellen leder till större variation i avkastningen, vilket innebär en avvägning mellan anpassningsförmåga och stabilitet. En robusthetsanalys visar att modellens prestation är känslig för val av parametrar, särskilt avseende lookback-fönster, prediktionshorisont och viktning. Ingen enskild parameterkonfiguration visar sig vara optimalt i alla marknadsmiljöer, vilket understryker vikten av att balansera flexibilitet och stabilitet.

Sammanfattningsvis visar studien att adaptiv viktning kan ge relativa förbättringar jämfört med likaviktning under vissa marknadsförhållanden, men att den inte konsekvent överträffar i alla situationer. Resultaten tyder på att adaptiva ensemblemetoder är en lovande ansats inom portföljkonstruktion, men att deras effektivitet beror på marknadsregim och signalernas stabilitet