机构名称：
¥ 6.0
摘要 站在寻求通过财务报表分析实现风险调整后收益最大化的股票投资者的角度，我们应用机器学习算法来估计 Nissim 和 Penman (2001) 的盈利结构分解框架。我们的方法明确考虑了阻碍 Nissim 和 Penman 估计其框架的非线性因素。我们首先预测盈利能力，然后使用 Nissim 和 Penman 框架的不同子集和不同的基本面分析设计选择来估计内在价值；我们发现，根据这些估计进行交易会产生可观的风险调整后收益。提高绩效的选择包括越来越细化的比率分解和对运营绩效的长期预测。也许令人惊讶的是，我们发现只有微弱证据表明基本面分析的好处，这种分析不仅包含当前期间的信息，还包含历史财务报表信息，或者只关注核心项目。虽然考虑非线性因素可以提高所有公司的模型性能，但对小型、亏损、技术型和财务困难的公司的影响最明显。 JEL分类：C53、G10、M41 关键词：财务报表分析、机器学习、盈利预测
分析师可以从人工智能中了解到什么......
主要关键词
相关文件推荐
