Дипломная работа: Прогнозирование доходности акций с использованием бухгалтерской информации

При использовании портфелей с акциями компаний с высоким соотношением балансовой стоимости к рыночной (B / M) возможно увеличить доходность при отборе фирм с высокими показателями финансовых коэффициентов, указанных в бухгалтерской отчетности. Выбирая организации с такими показателями Piotroski (2000) удалось увеличить доходность инвестиций на 7,5%. Это объяснялось положительной зависимостью уровня финансового успеха компании и цены акций. Похожие результаты получились у Mikiharu Noma (2010), но автор добавил сделки по продажи акций компаний с низким B / M ratio и низким показателем уровня финансовых коэффициентов. В итоге, исследователь смог повысить доходность на 7,8%.

Можно сделать вывод, что при прогнозировании доходности акций с высоким B / M следует, как можно точнее оценить финансовое состояние организации исходя их бухгалтерской информации. Это поможет точнее выбрать активы для повышения рентабельности инвестиций.

1.3 F-Score модель

Чтобы оценить финансовое положение фирмы, в известной статье Piotroski (2000) им было предложено использовать модель F-Score. Она включает в себя 9 параметров, разделенных на 3 группы. Если параметр удовлетворяет условию, то начисляется 1 балл. В итоге, модель дает оценку от 0 до 9 баллов.

Таблица 1

F-Score model

Kourtis et al. (2017) предложили считать компании финансово благополучными при F-Score от 7 до 9, средними от 4 до 6, а компании с низкими финансовыми результатами от 1 до 3. Механизм скрининга F-Score поощряет использование фундаментального анализа, который использует данные финансовой отчетности. Модель четко подчеркивает необходимость надежных данных и разумной политики финансовой отчетности, которая в конечном итоге компенсирует все заинтересованные стороны и экономику. Piotroski (2000) признает проблемы, касающиеся качества финансовой отчетности. Вот почему F-Score модель в анализе показателей учитывает начисления и денежные потоки при рассмотрении рентабельности. Два из четырех коэффициентов прибыльности, которые включены в модель, относятся к прибыли, основанной на начислениях, а остальные два относятся к денежным потокам и их сумме по сравнению с начислениями. Такое разделение поддерживают Ball et al. (2015) в своем исследование, доказывая, что не стоит включать только начисления при прогнозировании. Тем самым Piotroski (2000) заботится о проблеме качества данных и, следовательно, повышает эффективность F-показателя как инструмента оценки реального текущего финансового состояния компаний, который также может быть использован для оценки будущих доходов и изменений доходности вовлеченных акций. Также, модель способствует более эффективному распределению ресурсов в экономике, направляя ресурсы компаниям, которые более обоснованно раскрывают бухгалтерскую информацию.

В целом, исходя из обзора литературы, можно сказать, что для прогнозирования доходности акции стоит уделять внимание финансовым коэффициентам, рассчитанным исходя из предоставленной бухгалтерской информации. Это важно для фирм с высоким соотношением балансовой стоимости к рыночной, потому что для таких акций отчетность играет особую роль. Инвесторы не реагируют на новостные известия о фирмах и доверяют только цифрам. Также стоит понимать, что компании с высоким B / M ratio считаются финансово неблагополучными. Считается, что признаками финансовых трудностей являются более высокий левередж, более низкая доходность капитала, более низкая ликвидность и колебания доходов. Поэтому F-Score модель подходит для прогнозирования таких фирм. Из-за неудовлетворительных результатов деятельности этих компаний создаются пессимистичные ожидания, не привлекающие достаточного внимания инвесторов, и поэтому спрос на их акции низкий. Следовательно, когда их финансовые показатели улучшаются, это переводит к увеличению рыночной стоимости. Но не стоит забывать про другие стоимостные показатели, такие как P/E. Учитывая множество факторов инвесторы смогут создать сбалансированный портфель акций с наибольшей доходность. Главной задачей остается нахождение таких фирм при анализе и прогнозировании.

2. Исследовательский дизайн

2.1 База данных и переменные

В ходе работы была собрана информация об отчетности 463-х Тайских компаний при помощи информационного портала Morningstar за период с 2005 по 2018 года. В работе Kourtis et al. (2017) исследовался фондовый рынок США, который не смог показать хорошие результаты при стоимостном инвестировании. Поэтому была выбрана развивающая биржа Таиланда, в которой еще возможно применение только фундаментального анализа финансового состояния компаний. После удаления компаний с неполной информацией итоговая база данных насчитывала 78 параметров и 1580 наблюдений. Мы рассматривали наблюдения как кросс-секцию, а не как панельные данные. Использовались годовые данные таких отчетов, как отчет о прибылях и убытках, бухгалтерский баланс, отчет о движении денежных средств. Далее были получены различные финансовые коэффициенты для оценки состояния фирмы, в том числе Joel Greenblatt's Magic Numbers, Peter Lynch's fair value, Piotroski F-score. Для измерения доходности акций были использованы исторические данные Тайской фондовой биржи. В качестве критерия оценки доходности был введен параметр set_return равный годовой доходности общего индекса биржи. При анализе доходов от инвестирования в акции был создан параметр priceg, рассчитывающийся по формуле . Если изменение цены акции превосходило значение годовой доходности индекса, фирма считалась прибыльной для инвестирования («winner»). В противном случае фирме присваивалось значение «looser». Полный перечень параметров смотрите в Приложении.

2.2 Методология

В исследовании была поставлена цель - найти модель, которая сможет объяснить зависимость доходности акций от бухгалтерской информации и с наибольшей точность спрогнозировать результат. Для определения «победителей» и «проигравших» использовалось значение разницы доходности акций и средней доходности по индексу рынка в целом. Если акции компании приносят больше дохода чем индекс рынка, то такие организации считались «победителями». Модель анализировала показатели компании и строили прогнозы по доходности, основываясь на бухгалтерской информации. Была сгенерирована переменная winloss равная разнице доходности акции и среднего индекса по рынку для того, чтобы отделить фирмы «победители» от «проигравших». Если компания являлась «победителем», то ее доходность оказывалась выше доходности индекса биржи. В современном мире многие отрасли экономики используют машинное обучение для улучшения анализа и прогнозов исходя из исторической информации. Hargreaves et al. (2017) в своей работе используют следующие методы машинного обучения - logistic regression, метод случайного леса (decision trees) и нейросети (neural networks). По результатам исследования в апреле 2017 года показатели портфелей акций в дереве решений были лучше, чем на фондовом рынке, но довольно похожи на результаты для логистической регрессии и портфелей акций нейронных сетей. Эта статья описала то, что подходы на основе методов машинного обучения могут с высокой точно предсказать, какие активы увеличатся в цене. Поэтому нами был выбран метод машинного обучения для дальнейшего прогнозирования результатов. Для достижения цели были протестированы такие методы машинного обучения, как метод опорных векторов (SVM), boosted logit regression, random forest classification и нейронные сети (Neural Networks). Мы случайным образом разделили базу данных на обучающую и тестовую в соотношении 60/40%. В результате в тренировочный набор попали 948 наблюдений, а в испытательный- 632. Мы также удалили переменные, мешающие обучению. Среди них оказались года, наименования акций, рост цен и доходность индекса. Между двумя методами Gradient Boosting Machine был выбран именно boosted logit, так как он позволяет более точно предсказать бинарные параметры. Так, как данные можно легко разделить прямой на «winner» и «looser», мы использовали С-classification support vector machine с линейным ядром (kernel).

Для работы с нейронными сетями нам понадобилось переименовать переменные win и lose в 1 и 0 соответственно. Далее нам нужно было создать формулу для вставки в модель машинного обучения. Функция neuralnet() принимает только общий датасет без разделений на обучающий и тестовый. С помощью правила большого пальца в качестве скрытых слоев (hidden layers) было выбрано два с семью нейронами каждый.

Чтобы понять какая из моделей машинного обучения лучше объясняет связь финансовых коэффициентов и показателей с доходностью акций, следует сравнить процент точности предсказания с помощью матриц ошибок (Confusion Matrix). Работа состоит в обучении по тренировочной базе данных и дальнейшем сравнении предсказанных значений с тестовым датасетом.

3. Эмпирический анализ факторов, влияющих на доходность акций

3.1 Метод опорных векторов (SVM)

Метод опорных векторов - самый популярный из методов классической классификации. Идея этого метода заключается в том, чтобы найти то, как надо провести две прямые между категориями, чтобы между ними образовался наибольший зазор. Для обучения методом опорных векторов была выбрана спецификация с линейным распределением. После проведения тренировки было выполнено тестирование. Результаты приведены в Таблице 2 и Таблице 3.

Таблица 2

Матрица ошибок

Исходя из данных Таблицы 2 можно сделать вывод, что при предсказанных моделью 381 win, действительно оказались win 248, а при определении параметра lose, модель предсказала неверно 90 значений. Из Таблицы 3 следует, что при обучении методом опорных векторов, модель оказалась точна на 64,72% и предсказала 64,14% из всех названных «победителей». Используя этот классификатор, можно выявить среднюю доходность акций на уровне 65,59% через команду:

mean(backtest[backtest$winloss==pred & pred=='win',]$priceg)

Средняя доходность индекса фондовой биржи Таиланда составляет 21,19%.

Таблица 3

Статистика по результатам прогноза SVM

3.2 Boosted Logistic Regression

Boosted logistic regression (LogitBoost) логистическая регрессия - статистическая модель, применяемая для прогнозирования вероятности возникновения некоторого события. Логистическая регрессия используется для описания данных и объяснения связи между одной зависимой двоичной переменной и одной или несколькими номинальными, порядковыми, интервальными или относительными независимыми переменными. При обучении методом Boosted Logit было задано 150 итераций и 25 повторений с шагом 0,1 при проверке начальной загрузки. После анализа оказалось, что только 64 переменные значимы. Ниже на Рис. 1 показаны 10 наиболее значимых переменных. К. ним относятся указанные ранее F-score (Piotroski, 2000) и earning yield (Tyler Atanasov, 2017). Они оказывают положительное влияние на доходность акций. В то время, как показатель price-to-book ratio негативно влияет на объясняемую переменную. Это объясняется тем, что недооцененные акции демонстрируют лучшую доходность при условии положительных финансовых показателей. При проверке результатов прогнозирования модели мы получили следующие данные, указанные в Таблице 4 и 5.

Таблица 4

Матрица ошибок Boosted Logistic Regression

Рис.1 10 наиболее значимых параметров при Boosted Logit

Таблица 5

Статистика по результатам прогноза Boosted Logit

Исходя из данных, представленных в Таблицах 4 и 5, можно утверждать, что модель имеет 63,13% точности вне выборки и указывает верно искомые параметры на 65,64% в тестовом датасете. Данная модель имеет точность прогноза меньше, чем алгоритм с использованием техники опорных векторов и предсказывает среднюю доходность акций «победителей» на уровне 65,73%.