基于基本面分析的股票选择神经网络模型

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：
《Neural Network Models for Stock Selection Based on Fundamental Analysis》
---
作者：
Yuxuan Huang, Luiz Fernando Capretz, Danny Ho
---
最新提交年份：
2019
---
英文摘要：
  Application of neural network architectures for financial prediction has been actively studied in recent years. This paper presents a comparative study that investigates and compares feed-forward neural network (FNN) and adaptive neural fuzzy inference system (ANFIS) on stock prediction using fundamental financial ratios. The study is designed to evaluate the performance of each architecture based on the relative return of the selected portfolios with respect to the benchmark stock index. The results show that both architectures possess the ability to separate winners and losers from a sample universe of stocks, and the selected portfolios outperform the benchmark. Our study argues that FNN shows superior performance over ANFIS.
---
中文摘要：
近年来，人们积极研究神经网络结构在财务预测中的应用。本文对前馈神经网络（FNN）和自适应神经模糊推理系统（ANFIS）在利用基本财务比率进行股票预测方面进行了比较研究。该研究旨在根据所选投资组合相对于基准股票指数的相对回报来评估每个架构的绩效。结果表明，这两种架构都具有从样本股票中区分赢家和输家的能力，所选投资组合的表现优于基准。我们的研究认为，FNN显示出优于ANFIS的性能。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
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。
--

---
PDF下载：
--> Neural_Network_Models_for_Stock_Selection_Based_on_Fundamental_Analysis.pdf (221.03 KB)

2022-6-24 04:22:57 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1 回帖

关键词：神经网络模型 基本面分析 网络模型 神经网络 神经网

ndCanadian电气与计算机工程会议，加拿大埃德蒙顿，第1-4页，IEEE加拿大，2019年5月。基于基本面分析的股票选择神经网络模型。安大略省伦敦西部大学电气与计算机工程系，Canadayhuan656@uwo.caLuiz费尔南多·卡普雷兹德普。安大略省伊文西大学电气与计算机工程系，Canadalcapretz@uwo.caDanny安大略省里士满山HoNFA Estimation股份有限公司，Canadadanny@nfa-估算。近年来，人们积极研究神经网络结构在财务预测中的应用。本文对前馈神经网络（FNN）和自适应模糊推理系统（a NFIS）在利用基本财务比率进行股票预测方面进行了比较研究。该研究旨在根据所选投资组合的相对回报率以及ben ch mar k Stock i nde x来评估每种架构的表现。结果表明，这两种架构都具有从样本股票中分离赢家和输家的能力，所选投资组合的表现优于基准。我们的研究表明，FNN的性能优于FIS。关键词神经网络，前馈神经网络（FNN），自适应神经模糊推理系统（ANFIS），股票投资组合选择，基本面分析（FA），股票预测。股票交易是在股票交易平台上买卖公开上市公司股票的过程，在市场开放的任何特定时间，来自世界各地的数百万投资者和交易员都会积极参与。股票市场预测是一个极其复杂和困难的问题，因为影响价格运动的因素和噪音太多了。

许多与股市预测相关的现有研究支持众所周知的有效市场假说（EMH），根据该假说，股票在任何给定时间的价格都反映了所有可用信息，因此无法预测[1]。直到今天，这个问题仍然是经济学家和研究人员感兴趣的话题。根据股票市场效率的程度，有效市场假说有三种形式：●  弱式有效市场假说意味着市场效率反映了所有过去的市场信息。该假设假设过去的回报率对未来的回报率没有影响。●  半强式EMH意味着市场有效地反映了所有公开可用的信息。该假设假设股票价格会快速调整以吸收新信息。半强形式合并弱形式EMH。●  强形式EMH意味着市场效率反映了所有信息，包括公共和私人信息。这一假设假设，即使投资者获得了不公开的新信息，也没有人能够获得高于平均水平的回报。强形式有效市场假说包括弱形式有效市场假说和半强形式有效市场假说。最近的研究探索了使用机器学习和软计算技术进行股票预测，取得了挑战弱和半强形式的结果[3]-[11]。然而，这些研究大多使用历史价格、技术指标或投资者情绪作为独立变量进行模型训练和预测。本研究的主要动机是开发前馈神经网络（FNN）和自适应神经模糊推理系统（ANFIS）模型，以模拟投资专家基于股票基本财务比率的决策过程。

此外，不再简单地预测股票的未来绝对价值，而是选择和评估由预测的赢家或输家组成的投资组合。投资组合选择机制类似于一种更现实的股票投资方法。二、相关工作投资者和金融分析师用于预测股市价格的方法大致可分为两类：基本面分析和技术分析[12]。基本面分析基于公司的财务利润和宏观经济数据。另一方面，技术分析只关注历史价格和数量。Hu等人[13]于2015年进行了全面的文献回顾，得出结论认为，将软计算和神经网络应用于财务预测的大多数现有研究都基于技术分析。Atsalakis等人（14）的早期文献回顾显示了这种模式。G urese n等人[3]探索了使用多层感知器（MLP）预测纳斯达克股票指数。他们将历史指数价格视为一个时间序列预测问题，并使用平均平方误差（MSE）和平均绝对偏差（MAD）作为评估标准。Atsala kis等人【4】应用ANFIS预测股票每日趋势。ANFIS模型与FNNmodel进行了比较，ANFIS在命中率方面取得了更好的性能。进行了比较研究，评估了基于历史价格变动的股票预测的不同基于神经网络的体系结构[5]-[7]。一些研究探索了基于基金分析的神经网络辅助股票选择[8]-[11]。Shen和Tzeng[8]提出了一种用于价值股票选择的组合软计算模型。他们得出结论，他们的模型可以区分具有满意财务回报的价值股票。Eakins和Stansell【9】将FNN模型应用于基于一组基本财务比率的股票选择。

他们在20年的时间里对模型进行了回溯测试，取得了优于b enc h mar k st o ck i and e x的投资回报。Qua h和S ri ni va sa n[10]利用FNN进行了类似的实验，根据基本财务比率选择股票。在测试期间，他们还实现了高于基准的回报。2008年，Quah【11】再次根据基础分析对FNN和ANFIS进行了股票选择比较。Quah根据股票的年收益率将股票分为两类，并将预测问题转化为分类问题。八年的季度数据用于培训，两年用于Quah\'s研究的测试。他的结果表明，ANFIS和FNN取得了可比的预测结果。三、 神经网络架构a。前馈神经网络或多层感知器（MLP）是最简单、应用最广泛的神经网络结构形式。FNN至少由三层组成：输入层、隐藏层和输出层。除输入神经元外，每个节点都是一个使用非线性化函数的神经元。采用梯度下降的监督学习技术进行训练。在传输过程中，两个节点之间的八个节点的变化计算为[15]：()   =   ()()()                       （1） 在哪里 是学习率， 是最终输出中的错误，是引入的局部变量，并且是前一个神经元的输出。B、 自适应神经模糊推理系统FIS是Takagi-Sugeno-Kang（TSK）模型更通用形式的一个实例。它用输入变量的一阶多项式方程取代了蕴涵中的模糊集【15】。ANFIS系统由IFTHEN形式的规则组成。一般来说，anANFIS系统有五个不同的层。第1层将每个输入值转换为其成员函数的输出。

第2层计算规则的firingstrength。第3层使燃烧强度正常化。第4层由功能定义为【16】的主动节点组成：= ( +  + )                        （2） 在哪里是前一层的标准化射击强度( +  + ) 是节点中的参数。L aye r 5对所有输入信号求和，并提供最终输出。典型ANFIS的结构如图1所示。图1：。ANFIS的结构【15】IV.方法对于每个股票，为每个算法开发了两个模型。设计实验是为了评估这两种算法的性能，即平均四分之一的端口返回量和相对于回溯测试期间基准的持续端口返回量。A、 数据预处理从标准普尔100指数的组成部分中选择样本s t ocks us e d f或t h is Experiment。该指数包括102个领先股。S、 占整个美国股市市值51%左右的股票。选择标准普尔100指数成分股作为样本股票有两个主要原因。首先，就数据量而言，标普100指数股票的财务基本面比率相对完整且较大。这是因为这些股票都是大盘股，而且大多数都是在历史上相对较早的时候公开上市的。第二，标准普尔100指数各组成部分在不同部门之间都很平衡，我们认为其组成部分的数量适合我们样本股票的规模。由于标准普尔100指数的构成经常被重新审视，我们决定从2018年12月起使用其组成部分【17】。标准普尔100指数各组成部分的历史财务数据均以csv格式在线检索【18】。这些数据摘自公司四分之一季度发布的SEC 10\\U Q文件。

为了为m模式过滤准备原始数据，我们通过以下步骤进行数据预处理：1）特征删除丢失值高密度的特征也被删除交叉库存。2） 趋势平稳化我们在这项研究中的目标变量是季度相对回报率，而原始数据集的许多特征具有明显的全球时间趋势。这些具有全球趋势的特征可能会妨碍我们的监督学习模型概括和提供可靠预测的能力。因此，我们取所有特征连续观测之间的百分比变化，其计算如下：=()×100%（3）图2显示了将特征进行趋势平稳化的示例。图2：。BA的历史季度收入：原始数据与应用趋势平稳化后的数据3）填充缺失条目虽然在第1步中删除了许多缺失条目的特征，但仍然存在一些位置稀少或缺失的条目。均值替换用于将这些缺失值替换为其邻域项的平均值。计量替代基于这样一个假设，即时间序列中相邻观测值的平均值对于随机选择的观测值是一个很好的猜测。4） 标准化由于特征的尺度变化很大，为了提高预测模型的性能，标准化应用于所有特征。5） 固定时间框架，我们选择使用1996年第1季度至2017年第4季度的数据。由于财务数据每季度发布一次，这一时期对每只股票进行了88次观察。最早可观测到的股票是1996年第一季度之后的股票。在数据预处理后，我们用21个热量和70个库存结束。

这21个特征是财务比率，如,, , 唯一的非财务特征是上一季度的相对价格回报率。从1996年第一季度到2017年第四季度，每只股票有88次观察，两次连续观察之间的间隔为一个季度。然后将数据按60%~20%~20%的比例划分为主要验证测试集。模型验证后，验证集将合并到训练集中，以便在生成测试结果之前进行最终的模型训练。B、 实验1）相对回报在实验中，一只股票相对于道琼斯工业平均指数（DJIA）的季度相对回报被用作目标变量，而不是简单的绝对回报。THDJIA是美国股市使用最广泛的基准之一。股票的相对回报率是其绝对回报率与某个基准回报率之间的差值。通过从每只股票的表现中减去整体市场表现，我们能够过滤出影响大盘的因素。理论上，使用这种技术有助于减少预测问题的复杂性，提高模型的预测性能和稳定性。2） 投资组合构建在70只股票中的每只股票的模型生成模拟结果后，这些股票将根据其下一季度的预期相对回报进行排名。选择收益率最高的30只股票构建“买入”投资组合，收益率最低的30只股票构建“卖出”投资组合。在这个实验中，我们使用等权重策略来构建投资组合。这意味着，在一个投资组合中，基本投资将平均分布在股票上。

在modelvalidation阶段，每个季度在验证集中构建投资组合，在最终测试阶段，在测试集中构建投资组合。3） 模型验证FNN和ANFIS模型都在验证集上进行验证。在验证之后，我们确定了一个具有21%PTRON的隐藏层的FNN。Rect-ifier和d-sigm-oid分别是隐藏层和输出层的激活函数。FNN使用均方误差损失函数和Adam算法进行优化。对于NFIS模型，使用聚类影响范围为0.5的减法聚类来定义成员的hip函数和模糊规则。C、 评估FNN和ANFIS模型均使用测试集进行测试，该测试集从2013年第3季度到2017年第4季度有18个观测值，每个观测值为70秒。在测试期间，18个季度中的每个季度都会构建“买入”和“选择”策略。根据投资组合季度相对回报的平均值和标准差对模型进行评估。此外，还为每个模型计算了整个测试期间的模拟复合相对回报率。计算组合相对回报的前提是，投资者根据推荐的投资组合按季度进行投资分配，没有摩擦。结果和讨论我们根据FNN和NFIS模型提供的预测，在测试集中为每个季度构建“买入”和“卖出”投资组合。然后计算这些等权重投资组合的真实季度相对回报的平均值和标准差。还计算了包括所有70只股票在内的等重港口的实际季度相对回报率，作为比较基准。最后计算了测试集中18个季度的相对收益率。

根据实验结果，我们的观察结果如下：●  使用FNN和NFIS模型构建的两个“买入”投资组合在平均季度相对回报率方面都大大超过了70只股票的完整样本范围。另一方面，两个“卖出”投资组合的表现均低于基准。公司结果证实了这一发现。我们可以得出一个可靠的结论，即FNN和ANFIS都能够根据股票的最新基本财务比率，以一定程度的准确性预测一系列股票的近期赢家和赢家。所得结果挑战了EMH的弱形式和半强形式。●  就平均季度相对回报率而言，FNN在构建“买入”和“卖出”投资组合方面优于ANFIS。在复合相对收益方面，FNN也对ANFIS产生了很大的影响。●  所选投资组合的季度相对收益的标准差高于基准。这意味着所选投资组合的价值比市场价值更大。从长期来看，过度的价值将减少复合回报。然而，所选投资组合的模拟复合回报明显高于基准，尤其是FNN。这证实了FN n和ANFI S都有能力根据基本比率区分赢家和输家。●  FNN和ANFIS都更善于识别输家，而不是以较小的优势识别赢家。需要进行更多的调查，以找出这种现象背后的原因。两种模型的完整结果如表1和表2所示。无花果