Invoering:

Machine learning (ML) is uitgegroeid tot een krachtig hulpmiddel in verschillende financiële toepassingen, waaronder aandelenwaardering. Door gebruik te maken van historische marktgegevens en diverse functies te integreren, kunnen ML-algoritmen waardevolle inzichten bieden in voorspellingen van aandelenkoersen en investeringsbeslissingen. Ondanks de groeiende belangstelling voor ML voor aandelenwaardering bestaan ​​er echter nog steeds aanzienlijke hiaten in ons begrip van hoe deze algoritmen effectief aan dit vakgebied kunnen bijdragen. Deze systematische review heeft tot doel de huidige stand van de literatuur over de toepassing van ML voor aandelenwaardering te identificeren en te analyseren, waarbij de hiaten en kansen voor toekomstig onderzoek worden benadrukt.

Methodologie:

Er werd een uitgebreide zoektocht uitgevoerd met behulp van academische databases om relevante onderzoeksartikelen, conferentieverslagen en technische rapporten te identificeren die in de afgelopen tien jaar zijn gepubliceerd. De zoektermen omvatten 'machine learning', 'aandelenwaardering', 'aandelenvoorspelling' en 'financiële prognoses'. De onderzoeken werden gescreend op basis van vooraf bepaalde selectiecriteria, waaronder het gebruik van ML-algoritmen voor aandelenwaarderingsdoeleinden en de empirische evaluatie van hun prestaties.

Resultaten:

Het onderzoek identificeerde een aanzienlijke hoeveelheid literatuur waarin ML werd toegepast voor aandelenwaardering, met onderzoeken waarin een breed scala aan begeleide leeralgoritmen werd gebruikt, zoals lineaire regressie, beslissingsbomen, willekeurige bossen, ondersteunende vectormachines en neurale netwerken. De belangrijkste bevindingen uit de beoordeelde onderzoeken geven aan dat ML-algoritmen nauwkeurige en betrouwbare voorspellingen van aandelenkoersen kunnen maken. Er werden echter verschillende beperkingen en hiaten in het huidige onderzoek geïdentificeerd:

1. Gegevenskwaliteit en voorverwerking:Veel onderzoeken zijn gebaseerd op historische aandelenmarktgegevens zonder adequaat aandacht te besteden aan gegevenskwaliteitsproblemen zoals ontbrekende waarden, uitschieters en niet-stationariteit. Het ontwikkelen van effectieve datavoorverwerkingstechnieken en het integreren van alternatieve databronnen (bijvoorbeeld sentiment op sociale media, economische indicatoren) zijn belangrijke gebieden voor toekomstig onderzoek.

2. Feature Engineering:De selectie van relevante kenmerken voor aandelenwaardering is van cruciaal belang, maar toch maken de meeste onderzoeken gebruik van technische basisindicatoren zonder alternatieve kenmerkensets te onderzoeken of kenmerkenselectietechnieken te gebruiken. Het onderzoeken van meer geavanceerde benaderingen van feature-engineering, waaronder domeinkennis, natuurlijke taalverwerking en sentimentanalyse, kan de voorspellende prestaties van ML-modellen verbeteren.

3. Modelcomplexiteit en overfitting:Het balanceren van de complexiteit van modellen en het voorkomen van overfitting is een cruciale uitdaging in ML voor aandelenwaardering. Terwijl sommige onderzoeken experimenteren met complexe ML-architecturen (bijvoorbeeld deep learning-netwerken), ontbreekt het bij andere aan een rigoureuze analyse van modelselectie, afstemming van hyperparameters en regularisatietechnieken. Toekomstig onderzoek zou zich moeten concentreren op systematische benaderingen voor modelselectie en -optimalisatie om het risico van overfitting te beperken.

4. Interpreteerbaarheid en uitlegbaarheid:Het "black-box"-karakter van bepaalde ML-algoritmen zorgt voor uitdagingen bij het begrijpen hoe ze tot voorspellingen komen. Het verbeteren van de interpreteerbaarheid van ML-modellen is essentieel voor het opbouwen van vertrouwen en het in staat stellen van investeerders om weloverwogen beslissingen te nemen. Het ontwikkelen van technieken voor analyse van de belangrijkheid van kenmerken, modelvisualisatie en contrafeitelijke verklaringen zijn belangrijke gebieden voor toekomstig onderzoek.

5. Toepassingen en robuustheid in de praktijk:De meeste onderzoeken evalueren ML-algoritmen op basis van historische gegevens, maar hun effectiviteit in praktijkscenario's met ongeziene marktomstandigheden blijft onzeker. Toekomstig onderzoek zou zich moeten richten op het testen van ML-modellen op real-time data, het onderzoeken van hun prestaties tijdens marktcrises of regimewisselingen, en het beoordelen van de robuustheid ten opzichte van marktruis en conceptdrift.

Conclusie:

De toepassing van ML voor aandelenwaardering heeft een veelbelovend potentieel laten zien, maar er zijn aanzienlijke hiaten en kansen voor toekomstig onderzoek. Het aanpakken van problemen met de gegevenskwaliteit, het verkennen van geavanceerde feature engineering-technieken, het vinden van de juiste balans tussen modelcomplexiteit en interpreteerbaarheid, en het evalueren van modellen in praktijkscenario's zijn belangrijke gebieden die verder onderzoek vereisen. Door deze hiaten te overbruggen kan ML betrouwbaardere instrumenten voor aandelenwaardering bieden en bijdragen aan geïnformeerde besluitvorming op de financiële markten.