全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1100 12
2022-05-10
英文标题:
《Equity forecast: Predicting long term stock price movement using machine
  learning》
---
作者:
Nikola Milosevic
---
最新提交年份:
2018
---
英文摘要:
  Long term investment is one of the major investment strategies. However, calculating intrinsic value of some company and evaluating shares for long term investment is not easy, since analyst have to care about a large number of financial indicators and evaluate them in a right manner. So far, little help in predicting the direction of the company value over the longer period of time has been provided from the machines. In this paper we present a machine learning aided approach to evaluate the equity\'s future price over the long time. Our method is able to correctly predict whether some company\'s value will be 10% higher or not over the period of one year in 76.5% of cases.
---
中文摘要:
长期投资是主要的投资策略之一。然而,计算一些公司的内在价值和评估长期投资的股票并不容易,因为分析师必须关注大量财务指标,并以正确的方式进行评估。到目前为止,这些机器对预测公司在较长时期内的价值方向几乎没有帮助。在本文中,我们提出了一种机器学习辅助的方法来评估股票的未来长期价格。在76.5%的案例中,我们的方法能够正确预测某公司的价值在一年内是否会高出10%。
---
分类信息:

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:
-->
二维码

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

全部回复
2022-5-10 23:19:35
股票预测:使用机器学习预测长期股价走势乌克尼科拉曼彻斯特大学计算机科学学院尼古拉·米洛舍维奇。milosevic@manchester.ac.ukAbstractLong定期投资是主要的投资策略之一。然而,计算一些公司的内在价值和评估长期投资的股票并不容易,因为分析师必须关注大量财务指标,并以正确的方式进行评估。到目前为止,机器对预测公司价值在较长时期内的走向几乎没有帮助。在本文中,我们提出了一种机器学习辅助的方法来评估股票的长期未来价格。在76.5%的案例中,我们的方法能够正确预测某公司的价值在一年内是否会高出10%。介绍在股票市场上交易股票是主要的投资活动之一。过去,投资者开发了许多股票分析方法,可以帮助他们预测股票价格的走势。基于当前的财务信息和新闻,对股票未来价格进行建模和预测,对投资者有巨大的用处。投资者想知道一些股票在一定时期内是上涨还是下跌。为了预测投资者希望投资的某家公司未来的表现,他们根据当前和过去的财务数据以及该公司的其他信息开发了许多分析方法。财务资产负债表和各种描述公司健康状况的比率是投资者进行技术分析的基础,以分析和预测公司未来的股票价格。
二维码

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

2022-5-10 23:19:39
预测股票价格的方向对于价值投资尤其重要。经验丰富的分析师可以应用一些基于过去数据证明的数学模型来评估公司的内在价值,比如格雷厄姆数。Graham number和Graham\'scriteria可能是最著名的模特之一(Graham,1949)。然而,由于当前市场的可用性增加,在今天的证券交易所里,可能不可能找到一家满足格雷厄姆原则的公司。由于这些变化,对调整模型的需求增加了。此外,股票市场随着时间的推移而变化(巴斯基和德隆,1992年;亨德肖特和莫尔顿,2011年)。引入了新的投资策略和新技术,使一些旧模式过时。自从金融素养提高以来,市场参与者比以往任何时候都多。然而,对于一些旧模型来说,股票市场的变化并不容易采用。在交易中引入算法无疑改变了股票市场。算法使得人们很容易对股市上的某些事件做出快速反应。机器学习算法还使分析师能够更容易地创建预测股票价格的模型。机器学习的引入使得可以根据过去的数据开发新的模型。在本文中,我们将描述使用几种机器学习算法预测股票市场价格的方法。我们的主要假设是,通过应用机器学习并根据过去的数据对其进行训练,可以预测股票价格的变动,以及在一定时间内变动的比率。特别是,我们希望确定一年内涨幅超过10%的股票。
二维码

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

2022-5-10 23:19:42
股票价格的涨跌百分比是可变的,然而,为了说明我们的情况,我们将重点关注10%的增长。到目前为止,投资者通常无法预测股价随时间增长的百分比。然而,这些信息对投资者在选择股票时至关重要。通常,投资者希望选择价格大幅上涨的股票。本文的组织方式如下:在第二节中,我们将回顾过去关于这一主题的相关工作。在第3节中,我们将描述我们使用的方法和算法。第4节描述了我们的方法在数据集上的结果。在最后一节中,我们将讨论该方法及其结果,与其他方法进行比较,并提出一些未来的工作。2相关工作Wilson和Sharda使用神经网络和经典的多重判别分析研究了预测公司破产,其中神经网络的表现明显优于多重判别分析(Wilson和Sharda,1994)。Min和Lee正在使用机器学习进行破产预测。他们评估了基于SVM、多元判别分析、逻辑回归分析和三层完全连接的反向传播神经网络的方法。他们的结果表明,支持向量机优于外部方法(Min&Lee,2005)。同样,Tam正在使用神经网络预测银行破产(Tam,1991)。李试图用支持向量机预测一家公司的信用评级。他们使用了各种财务指标和比率,如利息覆盖率、普通收入与总资产之比、净收入与股东权益之比、流动负债比率等。
二维码

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

2022-5-10 23:19:45
并获得了约60%的准确率(Lee,2007)。此外,还使用神经网络对这些公司的信用评级进行了预测研究,美国和台湾市场的预测准确率在75%到80%之间(Huang等人,2004年)。Phua等人进行了一项研究,预测了五大股指的走势:DAX、DJIA、FTSE-100、恒生指数和纳斯达克指数。他们使用神经网络,通过使用成分库存作为预测的输入,他们能够以高于60%的准确度预测价格变动的迹象(Phua等人,2003年)。将支持向量机应用于时间序列的方向预测。Kim(Kim,2003)在韩国股市的每日时间序列上训练SVM。他报告的命中率约为56%。Huang等人尝试使用支持向量机来预测日本日经225指数的每周走势。该方法在支持向量机上的命中率为73%,在组合模型上的命中率为75%。此外,SVM的表现也优于IR方法中的反向传播神经网络(Huang等人,2005)。Schumaker和Chen研究了通过使用SVM分析文本文章可以实现的预测。他们试图在消息发布20分钟后预测标准普尔500指数的走势。他们使用了多种方法,如单词袋、名词短语和命名实体,并实现了57%的定向命中率(Schumaker&Chen,2009)。然而,对文本新闻的分析不在本研究的范围之内。蔡和王进行了一项研究,他们试图通过使用集成学习来预测股票价格,集成学习由决策树和人工神经网络组成。他们根据台湾股市数据创建了数据集,考虑了基本面指数、技术指数和宏观经济指数。在台湾证券交易所数据上训练的DT+ANN的性能显示F分数性能为77%。
二维码

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

2022-5-10 23:19:49
单一算法的F-score性能高达67%(Tsai&Wang,2009)。据作者所知,他不知道有任何关于预测股票市场在较长时间后的股价的工作。我们对长期投资感兴趣,即投资者持有股票的时间延长。在下面的章节中,我们将研究机器学习辅助的方法,用于分析和预测特定股票在延长的时间段内的增长。3.方法3。1数据集使用彭博终端获取数据集。我们从标准普尔1000指数、富时100指数和标准普尔欧洲350指数中挑选股票。我们总共挑选了1739只股票。对于每只股票,我们在2012年第一季度至2015年最后一季度的每个季度末获得了股票价格。除了价格,我们还检索了数据集中每家公司的以下财务指标:账面价值——公司的净资产价值,由总资产减去无形资产(专利、商誉)和负债计算。市值——公司已发行股本的市值;它等于股价乘以流通股数量。一个月内股票净价的变化一个月内股票净价的变化百分比股息收益率-表明公司每年支付的股息相对于其股价的比例。每股收益——公司利润除以已发行股份数的一部分。
二维码

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

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群