Estimación de ratios PE fundamentales con redes bayesianas dinámicas

Resumen

Esta investigación utiliza una red bayesiana dinámica para formalizar estimaciones de ratios fundamentales de precio-beneficio, que a menudo se basan en el juicio de expertos. El ratio PE inferido pretende respaldar decisiones de inversión humanas o servir como entrada para un sistema automatizado de trading. Los autores derivan procedimientos de inferencia hacia delante y hacia atrás, y de maximización de expectativas para la red propuesta; además, relacionan su estructura con interpretaciones de las finanzas conductuales sobre la volatilidad.

A partir de los resultados de la inferencia bayesiana se construye una estrategia de trading, que se compara en experimentos con referencias de inversión estándar. Los autores informan de un rendimiento superior constante en esos experimentos. El resumen del documento no especifica los activos, las definiciones de las referencias, los periodos de prueba ni los supuestos sobre costes de transacción, por lo que los resultados comunicados no demuestran un rendimiento general ni la idoneidad para operar en mercados reales. El método se presenta tanto como una forma de estimar datos de valoración como una base para tomar decisiones sistemáticas.

Ideas clave

• Se utiliza una red bayesiana dinámica para estimar ratios PE fundamentales.
• Para el modelo propuesto se derivan la inferencia hacia delante y hacia atrás y la maximización de expectativas.
• Los ratios PE inferidos pueden orientar decisiones de expertos o alimentar un sistema automatizado de trading.
• La interpretación del modelo se relaciona con la evidencia de las finanzas conductuales sobre la volatilidad.
• Los experimentos indican que una estrategia basada en ratios PE inferidos supera a los modelos de referencia estándar.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.