[论文解读] Neural Network Models for Stock Selection Based on Fundamental Analysis

Yuxuan Huang, Luiz Fernando Capretz+1 more|arXiv (Cornell University)|Jun 12, 2019

Stock Market Forecasting Methods参考文献 14被引用 6

一句话总结

本文评估了前馈神经网络（FNN）和自适应神经模糊推理系统（ANFIS）在基于基本面财务比率的选股中的应用。研究发现，FNN在生成超越基准指数收益的投资组合方面优于ANFIS，显示出在基于基本面的选股中更优越的预测性能。

ABSTRACT

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.

研究动机与目标

• 评估神经网络模型在基于基本面财务比率选股中的有效性。
• 比较前馈神经网络（FNN）与自适应神经模糊推理系统（ANFIS）在选股中的表现。
• 评估机器学习模型是否能生成超越市场基准指数的投资组合。
• 确定在基本面分析背景下，FNN与ANFIS哪种网络结构能带来更高的相对收益。

提出的方法

• 本研究使用基本面财务比率作为FNN与ANFIS模型的输入特征。
• 通过反向传播算法调整权重，训练前馈神经网络（FNN）以基于输入比率预测股票表现。
• 自适应神经模糊推理系统（ANFIS）结合模糊逻辑与神经网络，以建模金融数据中的非线性关系。
• 通过根据模型预测结果对股票进行排序，并选取表现最佳的股票来构建投资组合。
• 通过与基准股票指数相比的相对收益来评估模型表现。
• 在股票样本池上对模型进行训练与测试，结果在多个时间段内汇总。

实验结果

研究问题

• RQ1 前馈神经网络能否有效从基本面分析数据集中选出表现优异的股票？
• RQ2 在使用基本面比率预测股票收益时，ANFIS的表现与FNN相比如何？
• RQ3 机器学习模型能否生成超越市场基准指数的投资组合？
• RQ4 在选股任务中，FNN与ANFIS哪种模型架构能带来更高的相对收益？

主要发现

• FNN与ANFIS均能成功利用基本面比率从样本股票池中识别出表现优异和表现不佳的股票。
• 两种模型所选择的投资组合在相对收益方面均优于基准股票指数。
• FNN在选股任务中表现出更优的性能，实现了更高的相对收益。
• 本研究证实，神经网络模型能够有效利用基本面数据进行选股。
• 结果表明，FNN在建模金融基本面中复杂非线性关系方面优于ANFIS。
• 对比分析验证了FNN在量化选股框架中的潜力。