[논문 리뷰] A Stock Selection Method Based on Earning Yield Forecast Using Sequence Prediction Models

Jessie Sun|arXiv (Cornell University)|2019. 05. 12.

Stock Market Forecasting Methods인용 수 5

한 줄 요약

이 논문은 장기 투자 의사결정을 향상시키기 위해 장기 단기 기억(LSTM) 및 게이트형 순환 단위(GRU) 네트워크를 사용하여 수익률 수익률(EBIT/EV)을 예측하는 주식 선별 방법을 제안한다. 순차 모델은 전통적인 피드포워드 신경망보다 우수한 성능을 보이며, GRU는 주식 선별을 위한 기본적 가치 요인 예측에서 약간 더 높은 정확도를 보였다.

ABSTRACT

Long-term investors, different from short-term traders, focus on examining the underlying forces that affect the well-being of a company. They rely on fundamental analysis which attempts to measure the intrinsic value an equity. Quantitative investment researchers have identified some value factors to determine the cost of investment for a stock and compare different stocks. This paper proposes using sequence prediction models to forecast a value factor-the earning yield (EBIT/EV) of a company for stock selection. Two advanced sequence prediction models-Long Short-term Memory (LSTM) and Gated Recurrent Unit (GRU) networks are studied. These two models can overcome the inherent problems of a standard Recurrent Neural Network, i.e., vanishing and exploding gradients. This paper firstly introduces the theories of the networks. And then elaborates the workflow of stock pool creation, feature selection, data structuring, model setup and model evaluation. The LSTM and GRU models demonstrate superior performance of forecast accuracy over a traditional Feedforward Neural Network model. The GRU model slightly outperformed the LSTM model.

연구 동기 및 목표

• 순차 예측 모델을 사용하여 수익률 수익률(EBIT/EV)을 예측하는 데 기반한 데이터 기반 주식 선별 방법을 개발하기 위해.
• 고전적인 피드포워드 신경망과 비교하여 고급 순환 신경망인 LSTM 및 GRU의 성능을 평가하여 기본적 가치 요인 예측 정확도를 분석하기 위해.
• 금융 데이터의 시간적 패턴을 활용하여 수익률 수익률 예측 정확도를 향상시켜 장기 투자 전략을 개선하기 위해.
• 순차 기반 가치 투자 맥락에서 주식 풀 생성, 특징 선택, 데이터 구조화, 모델 훈련 및 평가를 포함하는 체계적인 워크플로우를 수립하기 위해.

제안 방법

• 연구는 순차적인 금융 시계열 데이터를 위한 수익률 수익률 예측에 장기 단기 기억(LSTM) 및 게이트형 순환 단위(GRU) 네트워크를 사용한다.
• 시간적 종속성을 학습하기 위해 역사적 EBIT 및 기업가치(EV)의 시퀀스로 데이터를 구조화한다.
• 수익률 수익률에 영향을 미치는 관련 기본적 및 시장 지표를 포함하기 위해 특징 선택을 수행한다.
• 표준화된 워크플로우를 사용하여 데이터 전처리, 모델 아키텍처 설계, 성능 기준 비교를 포함한 모델 훈련 및 평가를 수행한다.
• 예측 정확도를 비교하기 위해 표준 회귀 평가 지표를 사용하여 LSTM, GRU 및 기준 피드포워드 신경망의 성능 평가를 수행한다.
• 순차 모델링과 기본적 분석을 통합하여 체계적인 가치 투자 주식 선별을 지원한다.

실험 결과

연구 질문

• RQ1 LSTM 및 GRU 모델은 장기 주식 선별을 위한 수익률 수익률(EBIT/EV) 예측에 효과적으로 활용될 수 있는가?
• RQ2 이 재무 예측 작업에서 LSTM 및 GRU 모델은 고전적인 피드포워드 신경망과 비교해 예측 정확도가 어떻게 다른가?
• RQ3 순차 모델링은 주식 선별에서 기본적 가치 요인 예측의 신뢰성 향상에 어떤 영향을 미치는가?
• RQ4 더 단순한 구조를 가진 GRU 아키텍처가 LSTM보다 수익률 수익률 예측에서 우월한 성능을 보이는가?

주요 결과

• LSTM 및 GRU 모델은 모두 전통적인 피드포워드 신경망보다 수익률 수익률 예측 정확도에서 뛰어난 성능을 보였다.
• GRU 모델은 예측 정확도 측면에서 약간 더 뛰어난 성능을 보였으며, 이는 훈련 효율성 및 기울기 안정성 측면에서 잠재적인 이점이 있음을 시사한다.
• 순차 예측 모델은 금융 시계열 데이터의 시간적 종속성을 효과적으로 포착하여 수익률 수익률 예측의 신뢰성을 향상시켰다.
• 제안된 방법은 기본적 가치 요인에 기반한 체계적이고 데이터 기반의 주식 선별 접근법을 제공하여 기존 모델을 향상시켰다.