利用基本面分析进行股票趋势预测以获取利润
统计金融
2024-10-08 v1 人工智能
机器学习
摘要
本文研究了应用机器学习模型——长短期记忆网络(LSTM)、一维卷积神经网络(1D CNN)和逻辑回归(LR)——基于基本面分析预测股票趋势的可能性。不同于大多数现有研究主要利用技术或情感分析的做法，我们强调使用公司财务报表和内在价值进行趋势预测。我们使用来自2019至2023年various sectors中269个公开交易公司的数据集，运用关键财务比率和折现现金流(DCF)模型构建两个预测任务：年股票价格差(ASPD)和当前股票价格与内在价值之差(DCSPIV)。这些任务分别评估年度利润可能性和当前盈利能力。我们的结果表明，LR模型在ASPD和DCSPIV的测试准确率分别达到74.66%和72.85%，优于CNN和LSTM模型。该研究为将基本面分析集成到机器学习中进行股票预测的有限文献贡献了价值，为学术研究和实际投资策略提供了有价值的见解。通过利用基本数据，我们的方法凸显了进行长期股票趋势预测的潜力，支持投资组合经理在决策过程中。
引用
@article{arxiv.2410.03913,
title = {Leveraging Fundamental Analysis for Stock Trend Prediction for Profit},
author = {John Phan and Hung-Fu Chang},
journal= {arXiv preprint arXiv:2410.03913},
year = {2024}
}
备注
10 pages