Estimer les ratios PE fondamentaux par réseaux bayésiens dynamiques

Résumé

Cette recherche utilise un réseau bayésien dynamique pour formaliser l’estimation des ratios cours/bénéfice fondamentaux, souvent fondée sur le jugement d’experts. Le ratio PE inféré vise à éclairer les décisions d’investissement humaines ou à servir d’entrée à un système de trading automatisé. Les auteurs dérivent des procédures d’inférence avant-arrière et de maximisation de l’espérance pour leur réseau, et relient sa structure aux interprétations de la volatilité en finance comportementale.

Une stratégie de trading est construite à partir des résultats de l’inférence bayésienne, puis comparée à des références d’investissement classiques dans des expériences. Les auteurs rapportent une surperformance constante dans ces expériences. Le résumé du document ne précise ni les actifs, ni la définition des références, ni les périodes de test, ni les hypothèses relatives aux coûts de transaction ; les résultats rapportés ne permettent donc pas d’établir une performance générale ou une aptitude au trading en réel. La méthode est présentée à la fois comme un moyen d’estimer des données de valorisation et comme une base pour des décisions systématiques.

Idées clés

• Un réseau bayésien dynamique sert à estimer les ratios PE fondamentaux.
• L’inférence avant-arrière et la maximisation de l’espérance sont dérivées pour le modèle proposé.
• Les ratios PE inférés peuvent éclairer le jugement d’experts ou alimenter un système de trading automatisé.
• L’interprétation du modèle est reliée aux observations de la finance comportementale sur la volatilité.
• Les expériences rapportent qu’une stratégie utilisant les ratios PE inférés surperforme les références classiques.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.