基于市盈率的股票交易：一个动态贝叶斯网络模型

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on
  Behavioral Finance and Fundamental Investment》
---
作者：
Haizhen Wang, Ratthachat Chatpatanasiri, Pairote Sattayatham
---
最新提交年份：
2017
---
英文摘要：
  On a daily investment decision in a security market, the price earnings (PE) ratio is one of the most widely applied methods being used as a firm valuation tool by investment experts. Unfortunately, recent academic developments in financial econometrics and machine learning rarely look at this tool. In practice, fundamental PE ratios are often estimated only by subjective expert opinions. The purpose of this research is to formalize a process of fundamental PE estimation by employing advanced dynamic Bayesian network (DBN) methodology. The estimated PE ratio from our model can be used either as a information support for an expert to make investment decisions, or as an automatic trading system illustrated in experiments. Forward-backward inference and EM parameter estimation algorithms are derived with respect to the proposed DBN structure. Unlike existing works in literatures, the economic interpretation of our DBN model is well-justified by behavioral finance evidences of volatility. A simple but practical trading strategy is invented based on the result of Bayesian inference. Extensive experiments show that our trading strategy equipped with the inferenced PE ratios consistently outperforms standard investment benchmarks.
---
中文摘要：
在证券市场的日常投资决策中，市盈率是投资专家作为公司估值工具使用最广泛的方法之一。不幸的是，金融计量学和机器学习领域最近的学术发展很少关注这个工具。在实践中，基本市盈率通常仅由主观专家意见进行估计。本研究的目的是通过采用先进的动态贝叶斯网络（DBN）方法，将基本PE估计过程形式化。从我们的模型中估计出的市盈率既可以作为专家做出投资决策的信息支持，也可以作为实验中说明的自动交易系统。针对所提出的DBN结构，推导了前向后推理和EM参数估计算法。与现有文献中的工作不同，DBN模型的经济学解释得到了波动性行为金融学证据的充分证明。基于贝叶斯推理的结果，提出了一种简单实用的交易策略。大量实验表明，我们的交易策略配备了推断的市盈率，始终优于标准投资基准。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Artificial Intelligence        人工智能
分类描述：Covers all areas of AI except Vision, Robotics, Machine Learning, Multiagent Systems, and Computation and Language (Natural Language Processing), which have separate subject areas. In particular, includes Expert Systems, Theorem Proving (although this may overlap with Logic in Computer Science), Knowledge Representation, Planning, and Uncertainty in AI. Roughly includes material in ACM Subject Classes I.2.0, I.2.1, I.2.3, I.2.4, I.2.8, and I.2.11.
涵盖了人工智能的所有领域，除了视觉、机器人、机器学习、多智能体系统以及计算和语言（自然语言处理），这些领域有独立的学科领域。特别地，包括专家系统，定理证明（尽管这可能与计算机科学中的逻辑重叠），知识表示，规划，和人工智能中的不确定性。大致包括ACM学科类I.2.0、I.2.1、I.2.3、I.2.4、I.2.8和I.2.11中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Stock_Trading_Using_PE_ratio:_A_Dynamic_Bayesian_Network_Modeling_on_Behavioral_.pdf (828.69 KB)

2022-5-31 22:22:46 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：动态贝叶斯网络 贝叶斯网络 网络模型 股票交易 贝叶斯网

利用市盈率进行股票交易：行为金融学和基本面投资的动态贝叶斯网络模型王海珍，Ratthachat Chatpatanasiri，苏里南理工大学Pairote Sattayatham数学学院，THAILANDwanghaizhena@163.com，ratthachat。c@gmail.com，则，pairote@sut.ac.thJune12，2017年摘要在证券市场的日常投资决策中，市盈率（PE）是投资专家使用最广泛的企业估值工具之一。不幸的是，金融计量经济学和机器学习领域最近的学术发展很少关注这一工具。在实践中，基本比率通常仅由主观专家意见来估计。本研究的目的是通过采用先进的动态贝叶斯网络（DBN）方法，将基本PE估计过程形式化。我们的模型估计的市盈率既可以作为专家做出投资决策的信息支持，也可以作为实验中说明的自动交易系统。针对所提出的DBN结构，推导了前向后推理和EM参数估计算法。与现有文献中的工作不同，我们的DBN模型的经济解释由波动性的行为金融证据很好地证明。基于贝叶斯推理的结果，提出了一种简单实用的交易策略。

大量实验表明，我们的交易策略配备了推断的市盈率，其表现始终优于标准投资基准。关键词：贝叶斯推理、动态贝叶斯网络、基本面投资、市盈率、行为金融1简介随着机器学习技术的迅速发展，最近的工作试图将这些机器学习技术结合起来，构建支持证券市场投资者决策的交易系统[1、2、3、4、5、6]（另见其中的参考文献）。这些最近的作品有以下共同的哲学主题。将机器学习应用于金融数据的共同理念：金融时间序列中存在隐藏模式。支持向量机、多核学习、独立成分分析、隐马尔可夫模型、模糊建模等复杂技术（及其组合）可以帮助投资者发现由复杂数学公式表示的隐藏模式。检索到的公式可以用作预测股票方向运动的预测规则，反过来，可以将其纳入投资者的交易策略（根据规则预测，低买高卖），以在市场中获得超额回报。然而，基于上述相同的理念，现有作品有着共同的局限性。首先，发现的模式非常复杂（高度非线性），缺乏财务解释；请注意，一般来说，模式复杂度越高，过度拟合训练数据的风险就越大[7]。其次，每个财务时间序列都需要单独培训，从而为每个不同的安全性生成一组不同的模式。换言之，感兴趣证券的数据中没有共同的模式。第三，由于模式的复杂性，对一些投资者来说，实际的交易实现并不容易。

事实上，复杂的交易程序必须由用户自己构建。最后，没有直接的方法将现有的专家信息（如专业安全分析师的建议）纳入学习系统。公平地说，尽管存在上述局限性，但现有研究的核心理念与某个称为技术分析师的投资者群体的理念相匹配【8，9】。技术分析师相信价格模式，并不太重视对模式的经济解释。因此，现有的这一系列研究可能会使这组投资者受益。在投资从业者的另一方面，有一个名为原教旨主义者的团体，他们的交易策略有明确的财务解释，并基于明确的财务信息[10、11、12]。市盈率（简称市盈率，以下简称市盈率）是原教旨主义者做出投资决策时应用最广泛的估值工具之一【11，13】。此外，证券分析师的投资建议通常基于市盈率[14]。然而，令人遗憾的是，金融计量经济学和机器学习领域的最新学术进展很少关注这一工具，因此目前市盈率的实际应用必须完全依赖于专家知识。据我们所知，目前还没有正式的框架能够将专家知识与历史金融时间序列数据相结合，从可用信息中对市盈率进行非系统推断。在这项研究中，我们专注于应用贝叶斯统计分析来正式化利用市盈率进行股票估值的过程。我们应用强大的动态贝叶斯网络框架【7，15】对估值过程进行建模。

与上述关于价格模式发现的现有机器学习框架相比，发现的模式在金融中没有任何意义，我们的模型的解释根据第2节中解释的行为金融[16]进行了充分的调整。我们工作的主要贡献有三个方面。首先，据我们所知，我们是第一个提出应用机器学习框架将市盈率评估过程形式化的人，而这一过程很少受到学术研究人员的关注。其次，在不同证券存在不同发现模式的情况下，我们提出的贝叶斯框架交易策略是统一的，即我们提出的单一交易策略可以应用于第1.1小节中解释的每种证券。建议的策略很简单，并且有明确的财务解释，因此每个从业者都可以轻松地应用该策略（无需编写复杂的系统交易程序）。此外，专家意见可以自然地集成到我们的贝叶斯学习框架中。

第三，与文献[7，15]相比，我们提出的动态贝叶斯网络具有非标准结构，因此我们通过应用前向-后向方法和基于期望最大化概念的新参数估计算法成功地推导出了新的推理公式[7，15]。请注意，在本文中，我们重点关注个人投资者通常首选的个人企业级证券投资；相比之下，投资机构的投资策略通常是基于现代投资组合理论的投资组合层面。1.1基于市盈率的基本投资背景市盈率估值方法的核心思想是，公司的价值（以及其股票的价值）与公司的年净收入（也称为折旧）成正比，即对于每一家公司i，P*i=P E*i×Ei（1），其中P*IDE记录公司i的价值，IDE记录公司当前的年度收益和P E*iis公司的适当市盈率，通常假定为常数（至少在一段时间内）。在这里，年度收入由最近四个季度收入的总和确定。股票市场上上市的每家公司的盈利信息通常可供所有投资者使用，即可以观察到。从直觉上看，市盈率可以被视为一家公司的溢价，也就是说，如果两家公司的收入相同，市盈率越高的公司价值越高。从概念上讲，每家公司的适当市盈率通常由专家使用业务和财务会计因素（如债务负担、现金流、增长率、业务风险等）来确定。有一种称为相对法的替代方法来估计经营情况，该方法仍要求专家选择一组类似的公司，这个比率是从这个组中启发式计算出来的。

综上所述，目前估计市盈率的最佳做法是由专家或经验丰富的投资者进行启发式计算。一旦我们得到了市盈率，我们就可以通过公式（1）简单地计算固定价值，通常称为内在价值。一种简单的交易策略是将企业价值与企业的市场价格进行比较。策略A：如果企业价值高于其市场价格某个阈值，则认为其价格较低，因此我们可以购买该企业的股票。我们预计，当其市场价格高于该公司的内在价值一定阈值时，我们会将其出售。需要注意的是，这种交易策略的理念是，市场价格并不总是等于企业价值。我们可以观察到，在股票市场中，公司股票的价格几乎每天都在变化。相反，根据公式（1），只要在短时间内没有新的年度收益公告，公司价值不会发生变化。关于这一点，长期以来一直存在争议。值问题，但它超出了本文的范围。在任何情况下，都存在大量个人投资者，即以市盈率为主要工具的原教旨主义者，这是一个事实。本文的目的不是仅仅依靠专家意见，而是通过贝叶斯统计分析方法，支持该投资者群体系统地确定适当的市盈率，该方法能够将历史数据中的信息与专家信念正式结合起来。最后，我们强调，还有另一个被称为观察到的PE的数量，是根据公司当前市场价格除以其收益计算得出的（再次注意，P值之间的差异*i和价格Pi），即观察到的P Ei=Pi/Ei，（2）其中，Pi是企业i的当前市场价格。

在市盈率的贝叶斯分析中，重要的是要区分观察到的市盈率（由于市盈率的变化而每天变化）和市盈率*i、 在这里，我们将呼叫P E*ias基本市盈率。这个名字背后的原因如下：只有一群原教旨主义者相信数量P*i、 或固定值，可通过公式（1）计算。因此，他们通常称P*ias指基本价格或基本价值，因此P E*ias基础PE。对他们来说，市场上存在着各种各样的投资者：有些是理性的，有些是非理性的。当前市场价格计划，因此观察到的价格也可以从基本价格P*这些非理性投资者的行为。我们将在第2.2节股票价格动态统计模型2.1统计建模的动机：行为波动性中对这一论点进行正式建模。在第1.1小节中，我们提到了原教旨主义者的信念，即证券的市场价格可能不等于其基本价值。为什么股票价格会偏离其基本价格？关于行为金融的研究【16】为这个问题找到了许多证据。例如，研究人员认为，市场上有噪音交易者倾向于做出非理性行为，以便价格偏离其价值[18、19、20]。其中一项研究发现，一些投资者无法正确处理新信息，对新信息反应过度[21]。更糟糕的是，投资者反应过度的信息往往是不确定的、不可靠的、甚至不重要的。此外，咨询专家的投资者可能不会得到太多有用的建议，因为证券分析师往往过于乐观[27]，而且有利益冲突[28]。最后，众所周知，即使是市场上理性的投资者也无法立即消除这种非理性的套利定价限制[29]。

这里提到的所有影响都能够在一段时间内暂时使股价偏离其价值。这就是我们所说的行为灵活性。这种影响一直持续到要么被抵消，要么理性投资者最终消除这种错误定价。这种逆转现象在迭代中称为均值逆转。2.2股票价格动态贝叶斯网络我们的模型简化并形式化了第2.1小节中描述的观察结果。我们将导致定价失误的暂时影响分为两类：（1）短期影响：持续几天左右的定价失误影响，例如，由于噪音或对不可靠信息的过度反应引起的影响；（2）中期影响：持续数周或数月的定价失误影响，例如，对未确认信息的反应可能需要时间来确认，或对分析人员的过度乐观预测可能需要时间来证明，由此产生的影响。从数学上讲，市场价格与其基本价值之间的关系可以描述为以下方程式。为了简化方程，由于我们一次只考虑一家公司，我们现在将公司指数下标i替换为时间指数下标t，以强调价格与其基本价值之间的动态关系。Pt=P*t（1+zt）（1+εt）（3），其中（a）zt是模拟中期噪声影响的随机变量。为了使其影响持续一段时间，我们将ZT建模为马尔可夫链。（b） ε是短期噪声影响的随机变量，由阿高斯随机噪声εt建模~ N（0，σ）。假设P E*作为我们观察到的周期的常数，根据第1节的公式（1），我们得到了pt=P E*Et（1+zt）（1+εt）（4），因此，我们得到了基本PE和观察到的PE之间的关系：Pt/Et=P E*（1+zt）（1+εt）（5）注意，我们的模型仅适用于正收益Et>0的公司。

幸运的是，大多数公司都满足这一标准。等式（5）是我们想法的核心，如图1所示。图1：等式（5）描述的我们的主要想法的说明。该图是观察到的PEV。日期红色虚线显示P E*绿线表示中期噪音对ZTP e的影响*. 蓝线显示了观察到的PE，该PE同时受到中期和短期定价失误的影响。我们可以从数学上进一步简化公式（5）ln（Pt/Et）=ln（pe*（1+zt））+ln（1+εt）（6）由于ε通常很小，它可以近似为ln（1+εt）≈ εt，表示yt=ln（Pt/Et），然后我们得到yt=ln（P E*（1+zt））+εt（7）注意，如第1节所述，ytis是一个可观察的量，而P*Zt是不可观测的，即它们是隐藏状态或潜在变量。请注意，这是两种不同类型的潜在变量，即P e*是常数，Zt是时变的。因此，等式（7）不同于标准状态空间和图形模型，如隐藏马尔可夫模型或线性状态空间模型【7】。我们提出的股票价格动态的图形模型有三层，如图2所示。在我们的例子中，模型是临时的，图形模型框架也称为动态贝叶斯网络（DBN）。DBN的主要优点是能够对条件独立的属性进行编码，从而简化了概率推理[15]。该框架的另一个优点是，专家知识可以自然地集成到模型中，如下一节所示。图2：由动态贝叶斯网络（DBN）表示的拟议模型。ytis是一个不可观测的量，而P E*和{zt}是不可观测的。为了推导DBNFramew中推理和参数估计的数学方程，我们假设所有潜在随机变量都是离散的：zt∈ {a，…，aM}，P E*∈ {b，…，bN}。