本报告提出一套基于基本面数据分析的端到端决策支持系统,涵盖数据采集、清洗、建模和资产配置,结合公司财务指标与宏观经济特征,利用人工神经网络模型实现中长期股票收益预测,并针对通胀高企的新兴市场(以德黑兰证券交易所为例)验证模型优越性,最终设计动态资产配置策略,有效提升投资组合收益及风险控制能力
系统架构与数据处理流程
多类别特征体系构建
| 特征类别 | 关键指标示例 | 比例占比 |
|---|---|---|
| 财务比率 | 毛利增长率、营收增长率、资产负债率、净资产收益率ROE | 61% |
| 股票类型 | 行业类别、活动类型(生产型或非生产型) | 8% |
| 交易特征 | 月均价格波动率、平均日收益、买卖力量比 | 13% |
| 宏观经济指标 | 政府债券收益率、美元兑里亚尔汇率、市场指数回报、黄金价格回报 | 18% |
预测模型与数据集
模型性能及比较
市场趋势预测与资产配置策略
策略收益表现
关键创新点总结
标题: A Decision Support System for Stock Selection and Asset Allocation Based on Fundamental Data Analysis
作者: Ali Abrishami、Jafar Habibi、AmirAli Jarrahi、Dariush Amiri、Mohammadamin Fazli
机构: Sharif University of Technology(计算机工程系)、Tehran Institute for Advanced Studies, University of Khatam
发布日期: 2024年12月10日
主题: 基于基本面数据分析的股票选择及资产配置决策支持系统
该论文提出了一个端到端的决策支持系统(DSS),围绕基本面数据分析,结合国家宏观经济条件,通过机器学习模型预测股票的中长期回报,并辅助投资者进行资产配置决策。系统针对投资者(非短线交易者),提供多维度特征融合和资产配置策略制定,且在具有高通胀率和中小型经济特征的德黑兰证券交易所(TSE)数据上验证了系统优越性,提供了对股市、债券和商品市场资产配置的动态建议。,1]
摘要概述了金融市场预测的复杂性,介绍了该研究构建的决策支持系统涵盖数据采集、清洗和建模全流程。系统基于基本面数据,结合经济环境特征,构建股票回报预测模型,目标投向中长线投资者。创新点包括:
引言阐述资本市场(股市、债市)在推动经济增长和资产保值、增值中的关键角色,并强调通胀环境下配置商品(如黄金)的重要性作为分散风险的工具。介绍资产配置理念:通过分散投资降低风险,优化回报,实现资产类别、市场与投资期限的多层次分散。
引入股市预测的技术分析与基本面分析两大派别,指出技术分析因数据易得而受欢迎,但基本面分析因数据复杂性应用较少但效果更佳。研究采用基本面财务比率和宏观经济指标构建模型,旨在模拟专业投资者的决策逻辑,并包含多资产配置考量,突出债券和商品市场的风险分散作用。
综述股票市场基础理论(Fama有效市场假说、Graham安全分析等)及最新基于机器学习的研究。特征划分为技术指标、宏观指标和基本面指标,并覆盖各大洲不同国家市场的相关工作。
回顾DSS在金融领域的应用,包括基于定量、定性数据的买卖决策系统,集成价格预测、选股及组合优化的复合系统,强调交互式多层次决策支持。
总结技术分析传统使用的OHLC价格数据及技术指标(SMA, RSI, MACD等),深度学习模型(如LSTM、DenseNet)在该范式中的应用及表现。
分析基于财务报表和比率的基本面方法,强调财务比率(ROA、ROE等)在预测中的核心作用,以及相关国家市场案例研究。此外指出,基本面分析具有数据获取、清洗难度大等挑战。
提出针对基本面数据复杂性的五阶段流水线架构:
架构具备模块独立存储与运行能力,灵活应对不同行业和报告格式差异。,6,7]
特征集合包括以下四大类:
图2展示特征类别占比:财务比率占61%,宏观约18%,交易13%,行业8%,9,10,11]
总体目标是基于过去财务和交易情况预测股票未来若干月的预期回报,区别于一般回归或涨跌分类,创新在于比较预测股票收益是否高于固定收益ETF收益(代表低风险环境),构成二分类问题,使模型直接服务于套利固定收益的投资决策。公式1给出月度收益计算方式。
采用人工神经网络(ANN),结构包括单隐层100个神经元,使用Adam优化器和二进制交叉熵损失函数,训练50轮,批次大小32。输出为股票收益高于固定收益ETF的概率。数据标准化处理以促进收敛。
基于德黑兰证券交易所413只股票,覆盖2015年至2024年,考虑报告发布时间滞后一个月。75%时间序列最早数据作为训练,剩余25%作为测试。附图3和4展示行业和市值分布,反映股票的多样性。,13]
与三大基线研究(Tsai等、Abe等、Arkan等)及五大经典机器学习模型(SVM、随机森林、决策树、KNN、逻辑回归)进行比较,涵盖1、2、3、4、5、6、9、12个月等多种预测期。表5显示拟议方法整体准确度领先,特别在3-5个月预测期表现显著,且测试集平均准确率达70%,比基线高出8-20个百分点(表6)。
优势原因归结为:
图5和6进一步展示基于预测排名选取高回报股票组合的季度回报和累计回报,拟议方法大幅领先基线,表现出更优的资产增长能力。,15]
借助股票个股收益超越固定收益概率及市值加权公式,计算整个市场当期的超额收益概率,形成整体市场趋势预测。图7展示测试期内预测概率走势与实际市场指数表现吻合良好,具备辅助投资决策的参考价值。,17]
核心资产包括股票、债券(通过固定收益ETF体现长期稳定回报)和黄金(抗通胀且与股票债券低相关性,作为避险资产)。设计两套资产权重方案(表7)分别对应市场增长概率超过50%和不足50%的情景:
| 资产类型 | 说明 | 情景1(增长概率>50%) | 情景2(增长概率<50%) |
|---|---|---|---|
| 黄金 | 黄金ETF | 20% | 20% |
| 债券 | 固定收益ETF | 10% | 70% |
| 股票 | 市场指数ETF | 70% | 10% |
这套策略结合了动态调整,根据市场趋势灵活调仓,兼顾收益与风险,特别适合高通胀波动市场。
图8、9分别展现名义和实际收益中的季度回报情况,图10、11显示累计收益,均表明拟议策略优于基准指数和其他方法,且通胀调整后依然稳健。
实证说明激活的组合管理和恰当时机的资产再平衡是关键成功要素。,19,20]
论文总结了基于基本面数据构建的股票回报预测与资产配置DSS的设计与效果。重点强调:
整体结论证明以全面基本面数据驱动的决策支持系统能显著提升股市回报预测准确性并有效指导多市场资产配置决策。,21]
描绘系统五大步骤流水线结构:数据采集 -> 数据清洗 -> 数据加载 -> 股票建模 -> 资产配置。
清晰呈现数据从爬取原始报告到经过清洗存储为JSON,再到特征构建和模型训练,最终输出资产组合配置建议的过程。图中也形象表示了输入多种资产类型(ETF、债券、股票)以形成最终投资组合。
这些特征相互补充,形成多层次股票表现分析维度。,9,10]
财务比率占据绝对主导61%,之后依次是宏观与市场18%、股票交易13%、股票类型8%。说明本系统基于财务绩效的深度分析,同时辅以市场和宏观数据,提升模型的整体预测能力。
基于个股加权概率计算市场上涨概率,图7展示预测值与真实市场指数走势匹配密切,验证模型整合宏观与个股基本面表现预测市场总体趋势的有效性,能辅助投资策略制定。
对比两大市场条件下,黄金固定配置20%,股票与债券按照市场涨跌概率在70%-10%间切换,实现风险收益平衡。此策略典型地融合避险与增值资产,契合机构与个人投资者动态需求。
不同资产及策略在不同季度表现,拟议方法多次实现领先回报,名义收益与剔除通胀影响的实际收益均保持优势,反映良好的风险调整后收益能力。
拟议策略累计收益稳定攀升,明显优于市场指数、等权重指数和基线模型,真正体现了动态资产配置和基本面驱动模型的价值,尤其在高通胀环境中增强资本保值和增值能力。
本研究未涉及传统估值模型(如DCF、PE、EV/EBITDA等)计算目标价格,而是侧重于股票未来超额收益概率预测,属于分类预测范畴。资产配置策略基于预测结果概率做资金分配,故主要价值在于模型准确性与策略动态调整,而非单纯估值倍数或现金流模型。该方法避免了传统估值模型参数假设过多、数据需求大的问题,更适合通胀及宏观波动剧烈的新兴市场环境。[page::整体内容]
报告中隐含风险及挑战包括:
虽未呈现详细风险缓解策略,系统设计强调流水线模块化及数据缓存机制,预设数据质量控制基础。,12,20]
该论文提出并验证了一个基于基本面财务数据、宏观经济指标和交易行为多源数据融合,服务于中长期投资者的股票收益预测及资产配置决策支持系统。基于德黑兰证券交易所数据,系统利用人工神经网络分类模型,判断股票回报相较于固定收益ETF的超额收益概率,从而辅导资产配置分布于股票、债券与黄金市场。通过细致的特征工程,包括23个财务指标、行业属性、交易特征和宏观经济数据,赋能模型对复杂市场状况的响应能力。实证检验显示模型在1-12个月不同预测周期均优于多种基线和传统机器学习算法,特别表现在3-5个月期,准确率约70%。基于股票组合构建的投资策略累计收益高达200%以上,说明实际投资参考价值。资产配置层面,以市场整体涨幅概率>50%为界,动态调整股票/债券比重及固定20%黄金避险,展现了强有力的风险控制和收益提升能力。报告结合高通胀和新兴市场环境,系统设计科学且易扩展。然而,需解决数据更新滞后、模型复杂度受限和风险应对策略缺失等潜在问题,对其他市场的适用性仍需进一步探索。总体而言,该研究对金融领域决策支持系统发展提供有益启示和实践路径。
如需进一步针对某部分内容加深解析或结合具体数据图表进行细节讲解,请告知。
2412.05297.pdf