Introduktion:
Maskininlärning (ML) har vuxit fram som ett kraftfullt verktyg i olika finansiella tillämpningar, inklusive aktievärdering. Genom att utnyttja historiska marknadsdata och införliva olika funktioner kan ML-algoritmer ge värdefulla insikter om aktiekursförutsägelser och investeringsbeslut. Men trots det växande intresset för ML för aktievärdering finns det fortfarande betydande luckor i vår förståelse av hur dessa algoritmer effektivt kan bidra till detta område. Denna systematiska översikt syftar till att identifiera och analysera det aktuella litteraturläget om tillämpningen av ML för aktievärdering, och lyfta fram luckor och möjligheter för framtida forskning.
Metodik:
En omfattande sökning gjordes med hjälp av akademiska databaser för att identifiera relevanta forskningsartiklar, konferenshandlingar och tekniska rapporter som publicerats under det senaste decenniet. Söktermerna inkluderade "maskininlärning", "aktievärdering", "aktieprognoser" och "finansiell prognos". Studierna screenades utifrån förutbestämda urvalskriterier, inklusive användningen av ML-algoritmer för aktievärderingsändamål och den empiriska utvärderingen av deras prestanda.
Resultat:
Granskningen identifierade en betydande mängd litteratur som tillämpar ML för aktievärdering, med studier som använder ett brett utbud av övervakade inlärningsalgoritmer som linjär regression, beslutsträd, slumpmässiga skogar, stödvektormaskiner och neurala nätverk. Nyckelfynd från de granskade studierna indikerar att ML-algoritmer kan uppnå korrekta och tillförlitliga aktiekursförutsägelser. Men flera begränsningar och luckor i den aktuella forskningen identifierades:
1. Datakvalitet och förbearbetning:Många studier förlitar sig på historiska aktiemarknadsdata utan att ta itu med datakvalitetsproblem som saknade värden, extremvärden och icke-stationaritet. Att utveckla effektiva dataförbearbetningstekniker och införliva alternativa datakällor (t.ex. känslor i sociala medier, ekonomiska indikatorer) är viktiga områden för framtida forskning.
2. Funktionsteknik:Valet av relevanta funktioner för aktievärdering är avgörande, men de flesta studier använder grundläggande tekniska indikatorer utan att utforska alternativa funktioner eller använda tekniker för urval av funktioner. Att undersöka mer avancerade funktionstekniska tillvägagångssätt, inklusive domänkunskap, naturlig språkbehandling och sentimentanalys, kan förbättra ML-modellernas prediktiva prestanda.
3. Modellkomplexitet och överutrustning:Att balansera modellens komplexitet och förhindra överutrustning är en kritisk utmaning i ML för aktievärdering. Medan vissa studier experimenterar med komplexa ML-arkitekturer (t.ex. nätverk för djupinlärning), saknar andra en rigorös analys av modellval, hyperparameterjustering och regleringstekniker. Framtida forskning bör inriktas på systematiska tillvägagångssätt för val av modell och optimering för att minska riskerna för överutrustning.
4. Tolkbarhet och förklaring:Den "svarta lådan" hos vissa ML-algoritmer skapar utmaningar när det gäller att förstå hur de kommer fram till förutsägelser. Att förbättra tolkningsbarheten av ML-modeller är väsentligt för att bygga förtroende och göra det möjligt för investerare att fatta välgrundade beslut. Att utveckla tekniker för analys av funktionsviktighet, modellvisualisering och kontrafaktiska förklaringar är viktiga områden för framtida forskning.
5. Verkliga tillämpningar och robusthet:De flesta studier utvärderar ML-algoritmer på historiska data, men deras effektivitet i verkliga scenarier med osynliga marknadsförhållanden är fortfarande osäker. Framtida forskning bör fokusera på att testa ML-modeller på realtidsdata, undersöka deras prestanda under marknadskriser eller regimskiften och bedöma robustheten mot marknadsbuller och konceptdrift.
Slutsats:
Tillämpningen av ML för aktievärdering har visat lovande potential, men det finns betydande luckor och möjligheter för framtida forskning. Att ta itu med datakvalitetsproblem, utforska avancerade funktionstekniker, hitta rätt balans mellan modellkomplexitet och tolkningsbarhet och utvärdera modeller i verkliga scenarier är nyckelområden som kräver ytterligare utredning. Genom att överbrygga dessa klyftor kan ML tillhandahålla mer tillförlitliga verktyg för aktievärdering och bidra till välgrundat beslutsfattande på finansmarknaderna.
