بینش دانشگاهی در مورد استفاده از یادگیری ماشین برای ارزیابی

مدل های نادرست یادگیری ماشین (ML) برای تشخیص غیرخطی های پنهان که در پیش بینی ارزش اساسی سهام مهم هستند ، طراحی شده اند. در یک مقاله علمی اخیر ، نویسندگان نشان می دهند که مدل های نادرست مبتنی بر ML با افزودن رویکردهای ارزیابی سبک شده مانند مدل های تخفیف نقدی تخفیف ، می توانند از مدل های رگرسیون خطی مربوطه (LR) بهتر عمل کنند. بنابراین ، مهم است که امکان غیرخطی و تعامل در تجزیه و تحلیل اساسی فراهم شود.

محقق ماتیاس هاناوئر

تجزیه و تحلیل بنیادی رویکردی است که برای تعیین ارزش ذاتی یا منصفانه یک شرکت استفاده می شود و اساس ارزیابی اینکه شرکت کم ارزش یا بیش از حد ارزش دارد ، تشکیل می دهد. سرمایه گذاران به طور بالقوه می توانند از چنین ارزیابی هایی استفاده کنند اگر در این تصور که قیمت سهم یک شرکت به ارزش منصفانه خود در طولانی مدت همگرا می شود ، از چنین ارزیابی هایی بهره مند شوند: یا با خرید سهام کم ارزش یا فروش کالاهای بیش از حد ارزشمند.

طبق ادبیات دانشگاهی ، تجزیه و تحلیل اساسی به طور معمول بر اساس رویکردهای ارزیابی بسیار تلطیف شده مانند مدلهای با تخفیف نقدی تخفیف است که به ورودی هایی مانند پیش بینی گردش پول و نرخ تخفیف نیاز دارند. این رویکرد با اختیار یک محقق در انتخاب متغیرها و پارامترهای مدل پیچیده است.

اگرچه این مدل های تلطیف بسیار محبوب هستند ، اما پیش بینی های صریح جریان نقدی و نرخ تخفیف لزوماً برای تجزیه و تحلیل اساسی لازم نیست. به عنوان مثال ، یک رویکرد آگنوستیک می تواند ارزش منصفانه یک شرکت را به عنوان یک عملکرد خطی ترازنامه ، صورت درآمد و موارد بیانیه Cashflow خود تخمین بزند.

برای این منظور ، یک رویکرد مستقیم برای برآورد ارزش های منصفانه توسط Bartram و Grinblatt در دو مطالعه دانشگاهی ارائه شده است. 1 آنها "با کمی دانش از امور مالی" نظر یک آماری را می بینند و از LR برای پروکسی "ارزش منصفانه همکار" یک شرکت به عنوان یک عملکرد خطی 21 مورد حسابداری که معمولاً گزارش شده است استفاده می کنند. آنها در یافته های خود نتیجه می گیرند که سیگنال آنها به طور قابل اعتماد بازده آینده در ایالات متحده و بیشتر مناطق جهان را به استثنای بازار اروپا پیش بینی می کند.

گرفتن یک رویکرد دانشمند داده در ارزیابی سهام

در یک مقاله تحقیقاتی اخیر ، 2 Hanauer ، Kononova و Rapp از رویکردی متفاوت استفاده می کنند زیرا "آنها یک دانشمند داده را با دانش کمی از امور مالی مشاهده می کنند". آنها با الهام از مطالعات Bartram و Grinblatt ، آنها روش های LR و ML را برای برآورد مقادیر عادلانه ماهانه سهام از 17 کشور اروپایی برای دوره ژانویه 1993 تا دسامبر 2019 اعمال می کنند. سپس ، بر اساس نتایج ، آنها پیش بینی بازده را ارزیابی می کنند. سیگنال های سوءاستفاده مربوطه ، یعنی تفاوت در ارزش های منصفانه مبتنی بر مدل و ارزش های واقعی بازار.

محققان در تجزیه و تحلیل خود ، مقادیر اساسی سهام را با استفاده از شش رویکرد مختلف بر اساس: تعیین کردند:

• یک مدل LR که از نزدیک دنبال شده توسط Bartram و Grinblatt ،
• یک مدل خطی در مقطع جمع شده سهام از 48 ماه گذشته که از آنها برای سایر روشها استفاده می کردند (LR مخلوط شده) ،
• مدلی با استفاده از اپراتور کمترین انقباض و انتخاب (LASSO) به 21 متغیر حسابداری ،
• یک مدل جنگل تصادفی (RF) ،
• یک مدل تقویت شیب (GBRT) ، و
• مدلی که سیگنال های RF و GBRT را ترکیب می کند.

به طور خاص ، محققان از مدل های RF و GBRT استفاده کردند با توجه به اینکه اینها می توانند با غیرخطی ها و تعامل ها سر و کار داشته باشند ، ویژگی های پر سر و صدا را به خوبی انجام دهند ، و به تنظیمات ظریف احتیاج ندارند ، همانطور که در مورد روشهای پیچیده تر نیز وجود دارد.

سیگنال های مبتنی بر ML در کشف فرصت های نادرست مؤثر هستند

محققان سهام را بر اساس سیگنال های مختلف سوءاستفاده ، به پنج پرتفوی quintile طبقه بندی کردند. آنها مشاهده کردند که تمام مدل ها سیگنال های سوءاستفاده منفی (مثبت) بزرگ را برای اولین (پنجم) پرتفوی پنجم منعکس می کنند. جالب اینجاست که سیگنال های Lasso و ML به دلیل غیرخطی بودن مدل های ارزیابی و توانایی متناسب با داده ها ، به طور قابل توجهی کوچکتر از همتایان LR خود بودند.

برای ارزیابی اثربخشی مدلها ، آنها بازده ماهانه با وزن و سازگار با صنعت را محاسبه کردند تا رابطه بین سیگنال های نادرست و بازده ماهانه متعاقب آن را بررسی کنند. همانطور که در شکل 1 نشان داده شده است ، آنها دیدند که رویکردهای ML از نظر آماری و اقتصادی قابل توجهی از نظر صنعت ایجاد شده است و به طور یکنواخت از هر دو موقعیت طولانی و کوتاه سود می برد. در حالی که گسترش سیگنال LR و Lasso قابل توجه بود ، اهمیت اقتصادی آنها از نظر قابل ملاحظه ای ضعیف تر بود و بخش بالاتری از بازده آنها از پای کوتاه حاصل می شد.

شکل 1 |مدل های مبتنی بر ML اثربخشی در پیش بینی مقادیر اساسی نشان دادند

منبع: Refinitiv ، Robeco. این شکل نشان می دهد که ALPHAS سالانه FAMA-FRENCH SIX FACTOR برای بازده نمونه کارها کوتاه مدت منهای کوتاه بر اساس سیگنال های نادرست به دست آمده از مدل های مختلف. بازده نمونه کارها Quintile دارای ارزش وزن و تنظیم صنعت است. دوره نمونه ژانویه 1993 تا نوامبر 2019 است.

محققان همچنین با در نظر گرفتن چهار مدل فاکتور مختلف ، نتایج را تأیید کردند. آنها در آزمایشات خود خاطرنشان كردند كه بازده استراتژی LR تا حد زیادی توسط عوامل متداول توضیح داده شده است. به طور مشابه ، ALPHAS برای سیگنال LR (مخلوط) کاهش یافته است. در مقابل ، مدل های ML ALPHA های مشابه یا حتی قوی تر را در تمام مدلهای عامل ارائه می دهند. به همین ترتیب ، به نظر می رسد روشهای ML غیرخطی های پنهان را که در پیش بینی ارزش اساسی سهام مهم هستند ، تشخیص می دهد.< Pan> منبع: Refinitiv ، Robeco. این شکل نشان می دهد که ALPHAS سالانه FAMA-FRENCH SIX FACTOR برای بازده نمونه کارها کوتاه مدت منهای کوتاه بر اساس سیگنال های نادرست به دست آمده از مدل های مختلف. بازده نمونه کارها Quintile دارای ارزش وزن و تنظیم صنعت است. دوره نمونه ژانویه 1993 تا نوامبر 2019 است.