برآورد نسبت‌های بنیادی PE با شبکه‌های بیزی پویا برای معامله
خلاصه
این پژوهش از شبکه بیزی پویا برای صورت‌بندی برآورد نسبت‌های بنیادی قیمت به درآمد استفاده می‌کند؛ نسبت‌هایی که اغلب بر قضاوت کارشناسی متکی‌اند. هدف از نسبت قیمت به درآمد PE استنباط‌شده، پشتیبانی از تصمیم‌های سرمایه‌گذاری انسان یا فراهم‌کردن ورودی برای سامانه معاملاتی خودکار است. نویسندگان روش‌های استنباط پیشرو-پسرو و بیشینه‌سازی امیدریاضی را برای شبکه پیشنهادی استخراج می‌کنند و ساختار آن را به تفسیرهای مالی رفتاری از نوسان پیوند می‌دهند.
بر پایه نتایج استنباط بیزی، استراتژی معاملاتی‌ای ساخته می‌شود و در آزمایش‌ها با معیارهای استاندارد سرمایه‌گذاری مقایسه می‌شود. نویسندگان گزارش می‌کنند که این استراتژی در آن آزمایش‌ها به‌طور پیوسته عملکرد بهتری داشته است. خلاصه سند دارایی‌ها، تعریف معیارهای مقایسه، دوره‌های آزمون یا فرض‌های هزینه تراکنش را مشخص نمی‌کند؛ بنابراین نتایج گزارش‌شده عملکرد عمومی یا مناسب‌بودن برای معامله زنده را اثبات نمی‌کنند. این روش هم راهی برای برآورد ورودی‌های ارزش‌گذاری و هم مبنایی برای تصمیم‌های نظام‌مند معرفی شده است.
ایده‌های کلیدی
- برای برآورد نسبت‌های بنیادی PE از شبکه بیزی پویا استفاده می‌شود.
- برای مدل پیشنهادی، استنباط پیشرو-پسرو و بیشینه‌سازی امیدریاضی استخراج می‌شوند.
- نسبت‌های PE استنباط‌شده می‌توانند در تصمیم‌های کارشناسان به کار روند یا به سامانه معاملاتی خودکار داده شوند.
- تفسیر مدل به شواهد مالی رفتاری درباره نوسان پیوند دارد.
- آزمایش‌ها گزارش می‌کنند که استراتژی مبتنی بر نسبت‌های PE استنباط‌شده از معیارهای استاندارد عملکرد بهتری دارد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.