一种基于分析师群体智慧的股票盈余预测方法及系统技术方案

本申请涉及金融投资技术领域，尤其涉及一种基于分析师群体智慧的股票盈余预测方法及系统。方法包括：构建以分析师群体作出的包括若干个分析师观点的预测观点组为输入项并且以上市公司在待预测财政年度的盈余预测值为输出项的群体智慧挖掘模型；获取包括若干个分析师观点的预测观点组并且输入至群体智慧挖掘模型；群体智慧挖掘模型，针对每个分析师观点进行评估，得到质量评估；群体智慧挖掘模型，还根据质量评估，针对若干个分析师观点进行异质观点聚合优化，得到盈余预测值。本申请通过贝叶斯神经网络模型针对单独的分析师观点进行质量评估，还通过双目标规划权重优化模型自动为各个分析师观点分配权重，用于得出科学的盈余预测值。盈余预测值。盈余预测值。

【技术实现步骤摘要】
一种基于分析师群体智慧的股票盈余预测方法及系统


[0001]本申请涉及金融投资
，尤其涉及一种基于分析师群体智慧的股票盈余预测方法及系统。

技术介绍

[0002]上市公司的盈余(Earnings)能力是评估其内在价值和预测其股票价格表现的最基本指标之一。因此，预测一个公司的盈余是上市公司和投资者做出合理的投资决策的共同任务。然而，投资者受到信息不对称的影响，以及缺乏信息获取和处理能力，使得他们无法准确估计上市公司的盈余，从而降低了市场效率。为了缓解上述困境，证券分析师在资本市场上发挥着重要的中介作用，他们通过发布专业化、标准化的荐股报告向投资者分享对公司盈余的观点。
[0003]然而，在决策中盲目遵循分析师观点的投资者会面临严重的经济损失。造成这种结果的主要原因是：由于专业知识的差异，利益冲突，个人偏见以及其他情境因素，分析师观点的质量存在很大差异。此外，由于分析师观点中所蕴含的知识和专长没有得到广泛的解释和分享，因此投资者在识别有价值的分析师观点(而不是信息较少的观点)方面存在严重阻碍。值得注意的是，对于同一上市公司在未来某一特定财政年度的盈余，往往有多种异质的分析师观点存在，它们通常是不一致的，有时甚至是完全冲突得，这不利于信息效率的提高。投资者面对这样复杂的情况可能会感到困惑，从而减少了从分析师观点中获得有价值信息的机会。

技术实现思路

[0004]本申请提供了一种基于分析师群体智慧的股票盈余预测方法及系统，能够解决现有技术中不能准确评估分析师观点质量以及无法针对分析师群体的观点质量进行科学优化的问题。
[0005]本申请的第一个技术方案是一种基于分析师群体智慧的股票盈余预测方法，包括：
[0006]S1：基于贝叶斯神经网络模型和双目标规划权重优化模型，构建以分析师群体作出的包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组为输入项并且以上市公司在待预测财政年度的盈余预测值为输出项的群体智慧挖掘模型；
[0007]S2：获取包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组并且输入至群体智慧挖掘模型；
[0008]S3：通过所述群体智慧挖掘模型，针对预测观点组中的每个分析师观点进行关于预测准确性和预测不确定性的评估，得到相应于预测观点组中每个分析师观点的观点质量的质量评估；
[0009]通过所述群体智慧挖掘模型以及根据预测观点组中每个分析师观点的观点质量的质量评估，针对预测观点组中的若干个分析师观点进行异质观点聚合优化，得到相应于
预测观点组的盈余预测值。
[0010]本申请的第二个技术方案是一种基于分析师群体智慧的股票盈余预测系统，包括：
[0011]观点质量评估模块，用于获取包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组并且针对预测观点组中的每个分析师观点进行关于预测准确性和预测不确定性的评估，得到相应于预测观点组中每个分析师观点的观点质量的输出分布；
[0012]观点组质量优化模块，用于根据预测观点组中每个分析师观点的观点质量的输出分布，针对预测观点组中的若干个分析师观点进行异质观点聚合优化，得到相应于预测观点组的盈余预测值。
[0013]有益效果：
[0014]本申请通过提出一种新的群体智慧挖掘模型(SmartMOA)，用于挖掘分析师群体智慧以生成更准确的上市公司每股收益的预测。
[0015]具体地，SmartMOA首先包括一个创新的贝叶斯神经网络EDI
‑
BNN，该模型可以捕捉到分析师观点数据的独特特征以产生不确定性感知的AOQ预测，因此充分释放了大规模分析师观点数据中的隐性知识，提高了基于分析师观点的决策水平。
[0016]此外，SmartMOA还通过双目标规划权重优化模型自动为各个分析师观点分配权重，该优化问题的目标是使组聚合准确性最大化，并最小化组聚合不确定性。
[0017]综上可知，SmartMOA不仅能够针对单个分析师观点的观点质量进行准确地评估，还可针对分析师群体的观点质量进行科学权重优化，可有效挖掘分析师群体的群体智慧，综合分析师群体的观点质量的差异，因此可根据分析师群体的观点质量做出科学依据，所以本申请能够解决现有技术中不能准确评估分析师观点质量以及无法针对分析师群体的观点质量进行科学优化的问题，可使投资者在面对复杂的情况时有足够的科学决策选择，大大提高了从分析师观点中获得有价值信息的机会。
附图说明
[0018]图1为本申请实施例中基于分析师群体智慧的股票盈余预测方法的流程示意图；
[0019]图2为本申请实施例中群体智慧挖掘模型的结构示意图；
[0020]图3为本申请实施例中贝叶斯神经网络结构的前向传播示意图；
[0021]图4为本申请实施例中预测误差
‑
不确定性阈值的变化曲线(MSE)；
[0022]图5为本申请实施例中预测误差
‑
不确定性阈值的变化曲线(MSLE)；
[0023]图6为本申请实施例中SmartMOA模型的说明性案例示例图；
[0024]图7为本申请实施例中SmartMOA模型与共识预测模型的性能对比示意图；
[0025]图8为本申请实施例中基于分析师群体智慧的股票盈余预测系统的结构示意图；
[0026]图中，观点质量评估模块
‑
1；观点组质量优化模块
‑
2。
具体实施方式
[0027](一)实施例一
[0028]分析师观点组(Analyst Opinions Group，AOG)是一组分析师对某一财政年度上市公司每股收益(Earnings Per Share，EPS)的所有预测的集合。假设现在的预测目标是上市公司j在财年t的EPS，那么相应的分析师观点组可以表示为集合AOG
j，t
，具体形式如下：
[0029]AOG
j，t
＝{AEF
i，j，t
|i＝1，2，...，n
j，t
}；
ꢀꢀꢀꢀꢀꢀ
式1
[0030]其中，AEF
i,j，t
表示分析师i对上市公司j在财年t的每股收益的预测值，而n
j，t
则表示分析师观点组的规模大小。
[0031]本申请实施例中分析师观点的质量是由其盈余预测的准确性来度量的。一般的，分析师盈余预测准确性由其对目标上市公司在某一财政年度的每股收益的量化公司盈余的基本指标，其计算方法是公司的净收益减去优先股的股息，再除以流通股的数量。
[0032]预测值与实际值的接近程度，预测值与实际值越接近，准确性越高，相应的观点质量就越高。本申请实施例采用绝对百分比误差(Absolute Percentage Error，APE)作为衡量分析师盈余预测准确性的标准。因为这个指标是一个负向指标，为了方便起见，本申请实施例将其乘以<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分析师群体智慧的股票盈余预测方法，其特征在于，包括：S1：基于贝叶斯神经网络模型和双目标规划权重优化模型，构建以分析师群体作出的包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组为输入项并且以上市公司在待预测财政年度的盈余预测值为输出项的群体智慧挖掘模型；S2：通过获取包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组并且输入至群体智慧挖掘模型；S3：通过所述群体智慧挖掘模型，针对预测观点组中的每个分析师观点进行关于预测准确性和预测不确定性的评估，得到相应于预测观点组中每个分析师观点的观点质量的质量评估；通过所述群体智慧挖掘模型以及根据预测观点组中每个分析师观点的观点质量的质量评估，针对预测观点组中的若干个分析师观点进行异质观点聚合优化，得到相应于预测观点组的盈余预测值。2.根据权利要求1所述的基于分析师群体智慧的股票盈余预测方法，其特征在于，所述步骤S1包括：S11：搭建用于确定预测观点组中每个分析师观点的观点质量的质量评估的贝叶斯神经网络结构；S12：获取包括历史观点组和历史盈余值的训练集；所述历史观点组包括分析师作出的关于上市公司在历史财政年度的股票盈余的若干个预测观点；所述历史盈余值为上市公司在历史财政年度的股票盈余的盈余实际值；S13：通过训练集针对贝叶斯神经网络结构进行训练，得到以分析师群体作出的包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组为输入项并且以相应于预测观点组中每个分析师观点的观点质量的质量评估为输出项的贝叶斯神经网络模型；S14：搭建用于可识别预测观点组中每个分析师观点的观点质量的质量评估并且可根据观点质量的输出分布聚合预测观点组中异质观点的双目标规划权重优化模型；S15：针对贝叶斯神经网络模型和双目标规划权重优化模型进行整合处理，得到以分析师群体作出的包括关于上市公司在待预测财政年度的股票盈余的若干个分析师观点的预测观点组为输入项并且以上市公司在待预测财政年度的盈余预测值为输出项的群体智慧挖掘模型。3.根据权利要求2所述的基于分析师群体智慧的股票盈余预测方法，其特征在于，所述步骤S11包括：S111：确定可用于确定分析师观点的观点质量的输出分布公式；输出分布公式如下所示：式中，AEF
′
表示任意一个待测评观点质量的分析师观点；Q(AEF
′
)表示相应于待测评观点质量的分析师观点的观点质量；x
′
表示相应于待测评观点质量的分析师观点的特征向量；p(Q(AEF
′
)|x
′
，D)表示待测评观点质量的分析师观点的观点质量的输出分布；
q
*
(Θ)表示相应于后验分布p(Q(AEF
′
)|x
′
，D)的近似分布；Θ
t
表示从分布q
*
(Θ)中抽样得到的一组模型参数的样本；D表示N个分析师作出的关于上市公司j在财政年度t中股票盈余的历史数据集；式中，AEF
i
表示分析师观点i所给出的盈余预测值，N表示分析师观点的总数；Q(AEF
i
)表...

【专利技术属性】
技术研发人员：蒋帅，郭艳红，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：