[论文解读] A Stock Selection Method Based on Earning Yield Forecast Using Sequence Prediction Models

Jessie Sun|arXiv (Cornell University)|May 12, 2019

Stock Market Forecasting Methods被引用 5

一句话总结

本文提出了一种股票选股方法，通过长短期记忆网络（LSTM）和门控循环单元网络（GRU）预测收益收益率（EBIT/EV），以优化长期投资决策。序列模型的表现优于传统的前馈神经网络，其中GRU在预测股票筛选的基本面价值因子方面表现出略高的准确性。

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.

研究动机与目标

• 基于使用序列预测模型预测收益收益率（EBIT/EV）的思路，开发一种数据驱动的股票选股方法。
• 评估先进的循环神经网络——LSTM和GRU——与传统前馈神经网络在预测基本面价值因子方面的性能表现。
• 通过利用金融数据中的时间模式，提升收益收益率预测的准确性，从而优化长期投资策略。
• 在基于序列的价值投资背景下，建立股票池构建、特征选择、数据结构化、模型训练与评估的系统化工作流程。

提出的方法

• 本研究采用长短期记忆网络（LSTM）和门控循环单元网络（GRU）对序列金融时间序列数据进行建模，以预测收益收益率。
• 将数据组织为历史EBIT和企业价值（EV）的序列，以训练循环模型捕捉时间依赖性。
• 进行特征选择，纳入影响收益收益率的相关基本面与市场指标。
• 采用标准化工作流程进行模型训练与评估，包括数据预处理、模型架构设计及性能基准测试。
• 通过标准回归指标对模型进行评估，比较LSTM、GRU与基线前馈神经网络的预测准确性。
• 该框架将序列建模与基本面分析相结合，以支持价值投资中的系统性股票选股。

实验结果

研究问题

• RQ1 LSTM和GRU模型能否有效预测收益收益率（EBIT/EV）以支持长期股票选股？
• RQ2 在该金融预测任务中，LSTM和GRU模型相较于传统前馈神经网络在预测准确性上表现如何？
• RQ3 序列建模对提升股票选择中基本面价值因子预测的可靠性有何影响？
• RQ4 考虑到GRU结构更简单，其在预测收益收益率方面是否优于LSTM？

主要发现

• LSTM和GRU模型在预测收益收益率方面均表现出优于传统前馈神经网络的预测准确性。
• GRU模型在预测准确性上略高于LSTM模型，表明其在训练效率和梯度稳定性方面可能存在潜在优势。
• 序列预测模型能有效捕捉金融时间序列中的时间依赖性，从而提升收益收益率预测的可靠性。
• 所提出的方法提供了一种系统化、数据驱动的基于基本面价值因子的选股方法，较传统模型有显著改进。