Gennemgang identificerer huller i vores forståelse af, hvordan maskinlæring kan hjælpe med aktievurdering

Indledning:

Machine learning (ML) er dukket op som et stærkt værktøj i forskellige finansielle applikationer, herunder aktievurdering. Ved at udnytte historiske markedsdata og inkorporere forskellige funktioner kan ML-algoritmer give værdifuld indsigt i aktiekursforudsigelser og investeringsbeslutninger. Men på trods af den stigende interesse for ML for aktievurdering, er der stadig betydelige huller i vores forståelse af, hvordan disse algoritmer effektivt kan bidrage til dette felt. Denne systematiske gennemgang har til formål at identificere og analysere den aktuelle litteraturstatus om anvendelsen af ​​ML til aktieværdiansættelse, og fremhæve hullerne og mulighederne for fremtidig forskning.

Metode:

En omfattende søgning blev udført ved hjælp af akademiske databaser til at identificere relevante forskningsartikler, konferencehandlinger og tekniske rapporter offentliggjort i det sidste årti. Søgeudtrykkene inkluderede "machine learning", "aktievurdering", "aktieforudsigelse" og "finansiel prognose". Studierne blev screenet baseret på forudbestemte udvælgelseskriterier, herunder brugen af ​​ML-algoritmer til aktievurderingsformål og den empiriske evaluering af deres præstationer.

Resultater:

Gennemgangen identificerede en betydelig mængde litteratur, der anvender ML til aktievurdering, med undersøgelser, der anvender en bred vifte af overvågede læringsalgoritmer, såsom lineær regression, beslutningstræer, tilfældige skove, støttevektormaskiner og neurale netværk. Nøgleresultater fra de gennemgåede undersøgelser indikerer, at ML-algoritmer kan opnå nøjagtige og pålidelige aktiekursforudsigelser. Der blev dog identificeret adskillige begrænsninger og huller i den nuværende forskning:

1. Datakvalitet og forbehandling:Mange undersøgelser er afhængige af historiske aktiemarkedsdata uden at behandle datakvalitetsproblemer som manglende værdier, outliers og ikke-stationaritet tilstrækkeligt. Udvikling af effektive dataforbehandlingsteknikker og inkorporering af alternative datakilder (f.eks. følelser på sociale medier, økonomiske indikatorer) er vigtige områder for fremtidig forskning.

2. Feature Engineering:Udvælgelsen af ​​relevante funktioner til aktievurdering er afgørende, men de fleste undersøgelser anvender grundlæggende tekniske indikatorer uden at udforske alternative funktionssæt eller bruge teknikker til valg af funktioner. Undersøgelse af mere avancerede feature engineering-tilgange, herunder domænekendskab, naturlig sprogbehandling og sentimentanalyse, kan forbedre den forudsigelige ydeevne af ML-modeller.

3. Modelkompleksitet og overtilpasning:Afbalancering af modelkompleksitet og forebyggelse af overtilpasning er en kritisk udfordring i ML for aktievurdering. Mens nogle undersøgelser eksperimenterer med komplekse ML-arkitekturer (f.eks. deep learning-netværk), mangler andre en streng analyse af modelvalg, hyperparameterjustering og regulariseringsteknikker. Fremtidig forskning bør fokusere på systematiske tilgange til modelvalg og optimering for at mindske risici for overfitting.

4. Fortolkelighed og forklarlighed:Den "sort-boks" karakter af visse ML-algoritmer skaber udfordringer med at forstå, hvordan de når frem til forudsigelser. Forbedring af fortolkningen af ​​ML-modeller er afgørende for at opbygge tillid og gøre det muligt for investorer at træffe informerede beslutninger. Udvikling af teknikker til analyse af karakteristika, modelvisualisering og kontrafaktiske forklaringer er vigtige områder for fremtidig forskning.

5. Real-World-applikationer og robusthed:De fleste undersøgelser evaluerer ML-algoritmer på historiske data, men deres effektivitet i scenarier i den virkelige verden med usete markedsforhold er fortsat usikker. Fremtidig forskning bør fokusere på at teste ML-modeller på realtidsdata, undersøge deres ydeevne under markedskriser eller regimeskift og vurdere robusthed over for markedsstøj og konceptdrift.

Konklusion:

Anvendelsen af ​​ML til aktievurdering har vist et lovende potentiale, men der er betydelige huller og muligheder for fremtidig forskning. Håndtering af datakvalitetsproblemer, udforskning af avancerede feature engineering-teknikker, finde den rette balance mellem modelkompleksitet og fortolkning og evaluering af modeller i virkelige scenarier er nøgleområder, der kræver yderligere undersøgelse. Ved at bygge bro over disse huller kan ML levere mere pålidelige værktøjer til værdiansættelse af aktier og bidrage til informeret beslutningstagning på de finansielle markeder.