[論文レビュー] Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on Behavioral Finance and Fundamental Investment

Haizhen Wang, Ratthachat Chatpatanasiri+1 more|arXiv (Cornell University)|May 25, 2017

Stock Market Forecasting Methods参考文献 7被引用数 3

ひとこと要約

本稿では、行動ファイナンスの原則と歴史的金融データを用いて、基本的P/E比を形式的に推定するための動的ベイジアンネットワーク（DBN）モデルを提案する。エキスパートの意見と時系列データを統合することで、個別銘柄および分散投資ポートフォリオにおいて一貫してベンチマークを上回る統合的で解釈可能なトレーディング戦略を可能にし、ブートストラップリサンプリングを用いた統計的有意性が確認された。

ABSTRACT

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.

研究の動機と目的

• 既存の文献における体系的モデリングの欠如に応じて、データ駆動型で解釈可能なフレームワークを用いて、基本的P/E比推定を形式化すること。
• 個別証券ごとのモデル再トレーニングを回避するために、単一のDBN構造を活用してP/Eに基づくトレーディング戦略を証券間で統合すること。
• エキスパートの意見と行動ファイナンスの証拠を確率的学習フレームワークに統合し、投資意思決定支援を向上させること。
• 潜在的な基本的P/Eとノイジィな市場効果をモデリングする非標準的DBN構造に特化した、新しい推論およびパラメータ推定アルゴリズムの開発。
• 個別銘柄および分散投資ポートフォリオのバックテストを用いて、標準ベンチマークと比較してモデルの実証的妥当性を検証すること。

提案手法

• 著者らは、基本的P/E比と中期間ノイジィな市場効果という2つの潜在変数を有する動的ベイジアンネットワーク（DBN）を構築した。
• DBN構造におけるパラメータ学習と信念更新のため、前向き後向き推論とEMアルゴリズムを導出する。
• モデルは行動ファイナンスに基づき、ノイジィ効果を市場の過剰反応または感情駆動のボラティリティとして解釈する。
• ベイズ推論に基づくシンプルで解釈可能なトレーディング戦略を設計：推定P/Eがしきい値未満の場合は購入、超過の場合は売却。
• フレームワークは、ネットワーク内での事前分布または証拠としてのエキスパートの意見の直接統合を可能にする。
• ポートフォリオレベルのパフォーマンスは、モデルとベンチマーク間の利益差の分布を推定するためにブートストラップリサンプリングを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 歴史的金融データとエキスパートの知見から、動的ベイジアンネットワークを用いて基本的P/E比を効果的に推定できるか？
• RQ2 提案されたDBNベースのトレーディング戦略は、個別銘柄および分散投資ポートフォリオの両設定において、標準ベンチマークを一貫して上回るか？
• RQ3 ポートフォリオの分散化は、モデルのベンチマーク上回りの統計的信頼性にどのように影響するか？
• RQ4 行動ファイナンスの原則を、株式評価のための確率的グラフィカルモデルに形式的に統合できる範囲はどの程度か？
• RQ5 単一のDBNモデルから、複数の証券に適用可能な統一的で解釈可能なトレーディング戦略を導出できるか？

主な発見

• すべてのテストケースにおいて、平均利益差が正である期待値E[X]を示し、モデルはベンチマークを一貫して上回る。
• SETおよび米国市場を組み合わせた15銘柄ポートフォリオにおいて、80.64％のケースでモデルのパフォーマンスがベンチマーク以上であると80％以上の信頼度で示された。
• 2カ国ポートフォリオでは、50％のケースで優位性の信頼度が90％を超えた。これは、分散化が信頼度レベルに与える効果を示している。
• 利益差の実証的分布は右裾が長く、裾の厚い分布であったため、漸近的解析的手法よりもブートストラップリサンプリングの使用が妥当であると検証された。
• 中期間しきい値戦略（10％のしきい値）は、米国市場単独で97.06％の信頼度で優位性を示し、平均利益差は11.88％であった。
• 分散投資ポートフォリオにおいて、すべてのテストしきい値および市場組み合わせにおいて、モデルのパフォーマンスは統計的に優れており、8つのケースのうち7つでPr(X ≥ 0)が80％を超えた。