Fundamentale PE-Kennzahlen mit dynamischen Bayes-Netzen für den Handel schätzen

Zusammenfassung

Diese Forschungsarbeit verwendet ein dynamisches Bayes-Netz, um Schätzungen fundamentaler Kurs-Gewinn-Verhältnisse zu formalisieren, die oft auf Expertenurteilen beruhen. Das erschlossene PE-Verhältnis soll menschliche Anlageentscheidungen unterstützen oder als Eingabe für ein automatisiertes Handelssystem dienen. Die Autoren leiten Vorwärts-Rückwärts-Inferenz- und Expectation-Maximization-Verfahren für ihr vorgeschlagenes Netzwerk her und verbinden dessen Struktur mit verhaltensökonomischen Deutungen von Volatilität.

Aus den Ergebnissen der Bayes-Inferenz wird eine Handelsstrategie entwickelt und in Experimenten mit üblichen Anlagebenchmarks verglichen. Die Autoren berichten, dass sie in diesen Experimenten durchgehend besser abschneidet. In der Zusammenfassung des Dokuments werden weder die Vermögenswerte noch die Benchmarkdefinitionen, Testzeiträume oder Annahmen zu Transaktionskosten genannt. Die berichteten Ergebnisse belegen daher weder eine allgemeine Leistung noch die Eignung für den Live-Handel. Die Methode wird sowohl als Verfahren zur Schätzung von Bewertungsgrößen als auch als Grundlage systematischer Entscheidungen vorgestellt.

Kernaussagen

• Ein dynamisches Bayes-Netz dient zur Schätzung fundamentaler PE-Kennzahlen.
• Für das vorgeschlagene Modell werden Vorwärts-Rückwärts-Inferenz und Expectation-Maximization hergeleitet.
• Erschlossene PE-Verhältnisse können Expertenentscheidungen informieren oder einem automatisierten Handelssystem zugeführt werden.
• Die Interpretation des Modells wird mit verhaltensökonomischen Erkenntnissen zu Volatilität verknüpft.
• Experimente berichten, dass eine Strategie mit erschlossenen PE-Verhältnissen übliche Benchmarks übertrifft.

Schlagwörter

# Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on Behavioral Finance and Fundamental Investment


# Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on Behavioral Finance and Fundamental Investment









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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.