预测建模：一个优化的动态解决方案框架

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：
《Predictive Modeling: An Optimized and Dynamic Solution Framework for
  Systematic Value Investing》
---
作者：
R.J. Sak
---
最新提交年份：
2017
---
英文摘要：
  This paper defines systematic value investing as an empirical optimization problem. Predictive modeling is introduced as a systematic value investing methodology with dynamic and optimization features. A predictive modeling process is demonstrated using financial metrics from Gray & Carlisle and Buffett & Clark. A 31-year portfolio backtest (1985 - 2016) compares performance between predictive models and Gray & Carlisle\'s Quantitative Value strategy. A 26-year portfolio backtest (1990 - 2016) uses an expanded set of predictor variables to show financial performance improvements. This paper includes secondary novel contributions. Quantitative definitions are provided for Buffett & Clark\'s value investing metrics. The \"Sak ratio\" is proposed as an extension to the Benjamini-Hochberg procedure for the inferential identification of false positive observations.
---
中文摘要：
本文将系统价值投资定义为一个经验优化问题。预测建模是一种具有动态和优化特征的系统价值投资方法。使用Gray&Carlisle和Buffett&Clark的财务指标演示了预测建模过程。一项为期31年的投资组合回溯测试（1985-2016）比较了预测模型和格雷&卡莱尔定量价值策略之间的表现。26年投资组合回溯测试（1990-2016）使用一组扩展的预测变量来显示财务绩效的改善。本文包括次要的新贡献。为巴菲特和克拉克的价值投资指标提供了定量定义。“Sak比率”是Benjamini-Hochberg程序的一个扩展，用于推断假阳性观察结果。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载：
--> Predictive_Modeling:_An_Optimized_and_Dynamic_Solution_Framework_for_Systematic_.pdf (1.83 MB)

2022-6-1 08:02:40 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：解决方案 Optimization Quantitative Improvements observations

预测建模：系统价值投资的优化动态解决方案框架。J、 萨克本文将系统价值投资定义为一个经验优化问题。预测建模是一种具有动态和优化特征的系统价值投资方法。使用Gray&Carlisle和Buffett&Clark的财务指标演示了预测建模过程。一项为期31年的投资组合回溯测试（1985-2016）比较了预测模型和格雷&卡莱尔定量价值策略之间的表现。26年投资组合回溯测试（1990-2016）使用一组扩展的预测变量来显示财务绩效的改善。本文包括次要的新贡献。为巴菲特和克拉克的价值投资指标提供了定量定义。“Sak比率”统计量是Benjamini-Hochberg程序的一个扩展，用于推断假阳性观察结果。关键词：定量分析、经验优化、价值投资、预测建模本文得益于欧内斯特·P·陈（QTS资本管理）、布莱恩·L·贝特（圣路易斯大学）和罗伯特·A·科拉杰克（西北大学）的有益评论。我感谢韦斯利·R·格雷（WesleyR.Gray）就实施量化价值战略进行的讨论。所有的错误和遗漏都是我自己的。感谢Carrie J.Sak、Nancy F.Sak和Raymond F.Sak的鼓励和支持。稿件日期：2017年9月。通讯地址：raymondsak2013@u.northwestern.eduPortions这项工作的大部分在论文中提交，以部分满足西北大学预测分析科学硕士学位的要求。

西北大学社会科学计算集群（SSCC）的计算资源和员工贡献部分支持了这项研究。SSCC的经常性资金由校长办公室、温伯格艺术与科学学院、凯洛格管理学院、专业研究学院和西北大学信息技术学院提供。目录1。介绍32、背景。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。方法学。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。数据结构和准备。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。建模过程。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。86、模型性能评估。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。预测性能结果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。148、财务绩效结果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。财务回溯测试的预测性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。比较系统价值投资策略之间的回溯测试绩效。。。。。。。。。结果讨论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3112

扩展。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。结论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33附录1–QV方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34附录2–预测建模方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34附录3–预测模型规范。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35附录4–预测算法概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35附录5–定量值变量概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36附录6–定量值变量详细信息。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。40附录7–巴菲特和克拉克变量概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。52附录8–巴菲特和克拉克可变详细信息。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。53附录9–模型11和模型12的月度回报数据（过账费）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。62参考书目。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。简介价值投资是一种选股方法，利用一组历史财务报表指标与股价之间的关系。

我们的目标是挑选回报率始终高于平均水平的股票，但问题是，定义关系的方法有很多种。系统价值投资是一种价值投资方法，定量定义了财务报表指标和股票价格之间的关系。量化关系能够使用财务指标、评分和排名系统进行选股。系统价值投资是一个经验优化问题。可以使用历史财务报表和股票价格数据，通过算法确定一组历史财务报表指标与产生最佳股票回报的股票价格之间的关系。预测建模（Predictivemodeling）是通过算法确定一组因变量和一个因变量之间最佳关系的过程。通过将这些关系应用于结果未知的观测，可以预测未来的事件。本文介绍了预测建模作为将系统价值投资场景定义和解决为优化问题的方法框架。预测建模是经典价值投资的直接产物。两者都假设历史财务报表数据、股价和未来长期股价表现之间存在不完善的关系。两者都利用这些关系来识别和购买股票，很可能产生高于平均水平的回报。图1总结了所有价值投资战略共有的步骤。系统价值投资和预测建模使用相同的步骤，但每个步骤可能没有明确定义。例如，一位人类分析师可能会简单地将第4步和第5步描述为优先选择股本回报率相对较高的股票，而不是净收入不断增长的股票。

虽然人类分析师可能无法明确量化变量的相对重要性，也无法定义变量之间的关系如何随时间演变，但认知任务与预测建模过程是相同的。优化的概念与使用的预测算法有关。不同的算法有不同的优化方法和“最优”的定义，但它们通常可以描述为最小化预测结果和实际结果之间的误差（或偏差）。本文中等效描述为“财务指标”，在数据科学术语中通常描述为“预测变量”。在本文中相当于描述为“财务成果”，在数据科学术语中通常描述为“响应变量”。“完美的关系”意味着精明的分析可以识别出每只产生预期结果的股票，且误差为零。不完美的关系表明，智能分析可以确定一个股票组合，该组合通常会产生比广泛的市场选择（如标准普尔500指数）更优的结果。图1–价值投资步骤步骤1选择所需的财务结果5步骤2收集众多公司的历史财务报表数据和股价数据。步骤3选择一组要分析的财务变量。步骤4选择分析方法（标准），以确定财务变量和预期财务结果之间的最佳关系。步骤5使用具有最佳历史样本外绩效的算法，使用当前可用数据构建股票投资组合。步骤6当其他数据可用时，重复步骤1-5。将价值投资定义为一个优化问题意味着预测建模所产生的结果必须等于或优于人工进行的经典价值投资和系统价值投资。

如果预测建模不能产生更好的长期结果，就会出现悖论。如果分析方法是定量或逻辑描述的，那么预测建模至少可以匹配或可能改进（优化）结果。另一方面，如果分析方法无法定量或逻辑地描述，那么“方法”必须是不可复制的（运气）、不可量化的（直觉）或不可持续的（数据挖掘）。将价值投资方法和实证、量化基础分离，会给价值投资哲学的有效性带来问题。本文通过提出和论证预测模型生成的系统价值投资策略的效用，补充了关于系统价值投资的公开文献。该过程分析了一系列可公开获取的历史财务报表，使用当前股票价格预测可能实现预期结果的股票，并根据预测构建股票组合。对预测模型创建的股票投资组合进行财务回溯测试。结果表明，预测模型产生了统计学意义上的独特投资策略，产生了具有统计学意义的长期月度回报，而非Fama-French三因素模型和Carhart四因素模型的回报。结果还表明，预测模型的动态和优化特性比传统（非优化、非动态）系统价值投资策略产生更好的结果。本文提出的方法并不详尽，也不必要复杂。简单方法优先于复杂方法，以保持对引入概念的关注，展示建模决策的灵活性，并突出基本绩效。例如：构建一个投资组合，在10年内实现复合年增长率最大化。基准。

虽然简单的方法可能会牺牲性能，但结果表明，令人满意的结果并不需要不必要的复杂方法。背景股票市场是买卖双方交易公司所有权主张的市场，称为股票市场。股票市场参与者的目标是购买和出售股票，这些股票的平均财务回报率始终高于整体市场回报率。格雷厄姆和多德（1934）提出了一种“价值投资”理念，这种理念可以产生高于平均水平的财务回报。价值投资是一种分析公司历史财务报表以估计其内在价值的做法，当公司股票价格以估计内在价值的充分折扣（称为“安全边际”）交易时，投资者购买股票的价值。在格雷厄姆和多德之后的几十年里，价值投资演变为各种不同的投资策略。Asness、Frazzini、Israel和Moskowitz（2015）将价值投资战略概括为特质投资或系统投资。特质价值投资就是分析和购买个人股票。系统价值投资是使用基于规则的方法来分析和购买预定义范围内的股票组合。Kok、Ribando和Sloan（2017）发现，使用简单财务比率和指标（如市盈率）的系统价值投资策略无法产生令人满意的结果；需要综合战略才能取得令人满意的结果。Asness、Frazzini、Israel和Moskowitz；科克、里班多和斯隆；Lee（2014）发现，使用历史财务报表数据得出的多个指标可以有效地制定系统的价值投资策略，这些发现支持经典的价值投资文献。

Lee（2014）强调，Graham和Dodd在1934年出版的《证券分析》一书中包括了一份股票和Asness定量分析的十点清单，以色列弗拉齐尼和莫斯科维茨强调，Graham在1973年出版的《智慧投资者》（TheIntelligent Investor）一书中，在《证券分析》出版近40年后，继续包括了系统价值投资的清单。格雷厄姆和多德对清单的使用表明，评估一家公司的内在价值是可能的，但需要使用几个指标。Gray&Carlisle（2012）的量化价值战略（QV）是Kok、Ribando和Sloan的首选战略的一个例子。QV是一种公开的系统价值投资策略，它对多个财务报表指标进行严格的财务分析，以在长期范围内最大化aportfolio的复合年增长率（CAGR）。给定一个股票宇宙，QV通过整合斯隆（1996）、贝尼什（1999）、坎贝尔（Campbell）、希勒（Hilscher）和西拉吉（Szilagyi）（2008）、格林布拉特（Greenblatt）（2006）、彼得罗斯基（Piotroski）（2000）、博杜赫（Boudoukh）、迈克尔（Michaely）、理查德森（Richardson）和罗伯茨（Roberts）（2007）、迈克尔（2007）、理查德森（Richardson）和罗伯茨（2007）以及格雷和卡莱尔（Gray&Carlisle）的几个财务报表指标和股价指标，对每家公司进行了严格的分析。通过将指标组合成一个数字，得出每个股票的最终得分。然后根据分数对股票进行排名，并选择排名最高的股票进行投资组合选择。其他人也注意到格雷厄姆和多德使用了清单。QV有两个缺点。变量之间的关系（系数）没有优化，变量关系是静态的，当新信息可用时，它们不会动态更新。QV使用Gray&Carlisle和潜在学术资源设定的可变系数。

学术来源使用针对特定会计事件（例如，财务报表操纵）优化的可变系数，这不一定是投资结果的最佳选择。静态可变系数假设财务指标和预期结果之间的关系不会随时间和商业周期而变化。预测建模通过优化变量关系和在新的财务报表数据可用时动态更新关系来改进QV。方法论附录1和附录2从概念上总结了QV和预测建模策略。QV使用历史财务报表和股票价格数据来计算一组前i期的财务指标，用于计算股票世界中的每只股票。金融计量学对每只股票进行计算，并将其合并为一个分数。然后根据得分对股票进行排名，然后根据排名得分最高的股票构建投资组合。QVscoring和ranking过程以用户定义的间隔重复。预测建模还使用历史财务报表和股票价格数据对股票进行预测。计算财务指标（称为“预测变量”），并选择所需的量化财务结果（“响应变量”）。机器学习算法计算预测变量和响应变量之间的最佳关系（“模型训练”）。实际的“预测模型”是量化预测变量和响应变量之间关系的方程式。通过将预测变量输入到方程中生成预测，结果就是预测值。股票投资组合由模型预测的股票构建，以产生所需的响应变量。