20180411-天风证券-金工专题报告_海外文献推荐第35期_9页_1mb

金融工程海外文献推荐第35期总结

核心内容概述

本期推荐的两篇文献分别探讨了因子投资模型的增强与消费者评价的投资价值，旨在通过创新方法提升投资策略的绩效。

因子投资模型增强：基于深度学习来预测基本面数据

主要观点

• 基本面数据预测的重要性：通过预测未来的基本面数据并据此构建投资组合，可以显著提升投资回报。
• 模型构建：作者利用过去5年的基本面数据训练深度神经网络，以预测未来基本面数据，提出LFM（Lookahead Factor Model）模型。
• 模型优势：相比传统因子模型和简单预测模型，LFM模型在MSE、年化收益、夏普比率等指标上均有显著提升。

关键信息

• 数据来源：1970年至2017年9月在NYSE、NASDAQ和AMEX上市满12个月的非美国、非金融公司，最终筛选出11815家公司。
• 数据处理：将财报数据离散化到月度，并采用1年的滞后期来预测未来12个月的基本面数据。
• 特征选择：使用20个特征，包括16个TTM利润表数据和4个动量因子。
• 模型结构：评估了MLP和RNN两种模型，其中MLP使用2层，每层1024个节点，RNN使用2层，每层64个节点。
• 超参调优：基于验证集调整超参，如学习率、目标函数权重等，防止过拟合。
• 结果表现：
  • LFM-MLP和LFM-RNN的MSE分别为0.47。
  • 年化收益为17.1%，显著高于传统因子模型的14.4%。
  • 夏普比率为0.68，优于传统因子模型的0.55。

消费者的眼睛是雪亮的：消费者评价的投资价值

主要观点

• 消费者评价的预测能力：消费者评价中蕴含了对投资有价值的信息，可以用来预测股票收益。
• 异常消费者评级：通过计算当前评级与前12个月平均评级的差值，可以识别异常消费者评级。
• 实证结果：基于异常消费者评级构建的组合每月可以获得0.56%到0.73%的超额收益，且无反转迹象。

关键信息

• 数据来源：Amazon上的买家评价数据。
• 异常评级构建：使用当前月平均星级与前12个月平均星级的差值作为异常消费者评级指标。
• 实证方法：
  • 日历时间组合：每月将股票按异常评级划分组合，进行加权投资。
  • Fama-MacBeth回归：在控制其他因素后，异常消费者评级仍能显著预测股票收益。
  • 现金流预测：异常消费者评级与营收及盈余惊喜存在显著正相关。
• 结果表现：
  • 异常消费者评级最高的组合每月平均超额收益为0.53%。
  • Fama-MacBeth回归中，异常消费者评级的系数在1.323至1.718之间，均具有统计显著性。
  • 异常消费者评级与营收惊喜和盈余惊喜之间的相关性显著，表明其包含关于公司现金流的信息。

风险提示

• 本报告内容基于相关文献，不构成投资建议。
• 投资者应独立评估报告中的信息，并考虑自身投资目标和风险承受能力。

文献来源与推荐

图表摘要

• 图1：预知基本面数据与组合年化收益的关系。
• 图2：超参取值，显示MLP和RNN模型的结构与参数。
• 图3：回测结果，展示不同模型的MSE、年化收益和夏普比率。
• 图4：Intuit Inc股价变化，展示消费者评价与股价波动的关系。
• 图5：异常消费者评价的描述性统计。
• 图6：日历时间组合收益，展示不同评级组合的收益表现。
• 图7：Fama-MacBeth回归结果，显示异常消费者评级的预测能力。
• 图8：异常消费者评级与营收惊喜的关系。
• 图9：异常消费者评级与盈余惊喜的关系。

结论

两篇文献分别从基本面预测和消费者行为分析两个角度，为金融工程提供了新的研究方向和实践方法。通过深度学习模型预测基本面数据，可以有效提升因子投资模型的性能；而消费者评价数据则展示了其在投资决策中的潜在价值，尤其是在预测公司现金流方面表现突出。