如何用机器学习打败分析师和股市?

根据沃顿商学院教授的最新研究,分析师对企业盈利的预期平均而言都有着向上的偏差,这种偏差随着时间和股票的不同而变化。

这篇题为“人与机器学习:收益预期和条件偏差的期限结构”(“Man vs. Machine Learning: The Term Structure of Earnings Expectations and Conditional Biases.” )的新论文开发了一个机器学习模型来为收益预期生成“一个统计上最优和无偏的基准”。这个模式可以为低买高卖提供有利的交易策略。当分析师预期和基准相比过于悲观时,投资者应买入该股。当分析师的预期和基准相比过于乐观时,预期股价将会在后期下跌,投资者可以抛售所持股票或做空股票。

沃顿商学院金融学教授宾斯伯格(Jules H.van Binsbergen)是该论文的作者之一,他说:“利用机器学习模型,我们可以根据分析师预测和基准比较是过于乐观还是过于悲观来预测股票价格的走势。”他的合著者是爱丁堡大学商学院的博士生肖汉(音译,Xiao Han)和BI挪威商学院的金融学教授里拉(Alejandro Lopez Lira)。

研究人员发现,分析师的偏见程度在“预测期”或还远远不到收益公布日的时段内会增加。不过,平均而言,随着财报公布日期的临近,分析师会下调预期。“预期更乐观的股票获得的后续回报率更低。”同时,研究指出,企业高管比投资者更了解自己的公司,他们可以利用这种信息优势来发行新股。

获利的机会

将分析师的盈利预期与机器学习算法提供的基准进行比较,可以揭示分析师的偏差程度,并打开机会之窗。宾斯伯格解释了投资者如何从他们的机器学习模式中获利。他说:“利用我们的机器学习模型,我们可以通过计算分析师的预测值与我们机器学习预测值之间的差异来衡量分析师所犯的错误。”。  

宾斯伯格说,利用这种套利机会,投资者可以卖空那些分析师过于乐观的股票,并在收益公布日临近时股价降至比较实际的水平时交易获利。类似地,他们可以买进分析师过于悲观的股票,并在股价上涨至与盈利水平相对应的价格时出售获利。

宾斯伯格指出了最新研究的两个主要发现。一是长期以来,分析师平均而言过于乐观。“有时偏差大一些,有时小一点。总的来说,这个论断是正确的,对个股也是如此。“用我们的方法,你可以随着时间的推移追踪分析师过于乐观或过于悲观的股票。而研究结果是,分析师过于乐观的股票要多于悲观的股票。”

该研究的第二个发现是:“虽然平均而言,分析师对所有股票都过于乐观。但是,在分析师的偏见程度上,个股之间存在很大的差异。” 

企业融资窗口

企业也可以使用机器学习算法来衡量分析师的偏差。宾斯伯格说:“如果你是一家公司的经理,他意识到了这些偏见,那么事实上你可以从中受益。如果价格很高,你可以发行股票并筹集资金。相反,如果分析师的负面偏见压低了股票价格,它们将成为公司避免在那时发行新股的信号。”

宾斯伯格说,当分析师的偏见提升或压低股价时,这意味着市场“似乎在买入分析师的预测,但尚未修正分析师过度乐观或悲观的预测。”他还说,利用他和研究人员开发的机器学习模型,“你可以有一个不错的投资策略。这意味着那些股价被高估的企业高管可以决定在那个时间窗口发行股票。当股价过低时,他们要么回购股票,要么至少不发行股票。”

在他们的研究中,使用的信息包括企业资产负债表、宏观经济变量和分析师的预测。他们为企业年度盈利构建了一年和两年的预测,以及提前1-3个季度的季度收益预测。以机器学习算法提供的期望值为基准,他们计算出分析师预测值与机器学习预测值之间的差值。

如何引用沃顿知识在线文章

Close


用于个人/用於個人:

请使用以下引文

MLA

"如何用机器学习打败分析师和股市?." China Knowledge@Wharton. The Wharton School, University of Pennsylvania, [16 十月, 2020]. Web. [28 October, 2020] <http://www.knowledgeatwharton.com.cn/article/10407/>

APA

如何用机器学习打败分析师和股市?. China Knowledge@Wharton (2020, 十月 16). Retrieved from http://www.knowledgeatwharton.com.cn/article/10407/

Chicago

"如何用机器学习打败分析师和股市?" China Knowledge@Wharton, [十月 16, 2020].
Accessed [October 28, 2020]. [http://www.knowledgeatwharton.com.cn/article/10407/]


教育/商业用途 教育:

如果您需要重复利用我们的文章、播客或是视频,请填写内容授权申请表.

 

Join The Discussion

No Comments So Far