Нейронной сети Прибыль на акцию Прогнозирование модели: сравнительный анализ альтернативных методов

РЕЗЮМЕ

В настоящей работе мы приводим сравнительный анализ точности прогнозирования одномерных и многомерных линейных моделей, которые включают основные переменные бухгалтерского учета (например, инвентаризация, дебиторская задолженность, и так далее) с прогнозом точность модели нейронной сети. Уникальность этого исследования в центре нашего сравнения на многомерных моделей для изучения вопроса о модели нейронной сети, включающей основные переменные учета позволяет получать более точные прогнозы будущих доходов, чем модели, предполагая линейную комбинацию этих же переменных. Исследуются четыре типа моделей: одномерные линейные, многомерных-линейный, одномерный-нейронные сети, и многомерных-нейронной сети с использованием выборки 283 фирм охватывает 41 отраслей промышленности. Это исследование показывает, что применение нейронных сети, включающей основные результаты учета переменных в прогнозы, которые являются более точными, чем линейных моделей прогнозирования. Результаты также показывают ограничения возможности прогнозирования инвесторов на рынке ценных бумаг по сравнению с нейросетевых моделей.

Предметные области: Методические области: искусственные нейронные сети, сравнительный анализ, прогнозирование и методы; функциональные области: бухучет и финансы.

ВВЕДЕНИЕ

Прогноз прибыли на акцию (EPS) является важной задачей и для внешних инвесторов и внутренние менеджеров. За пределами фирмы, инвесторы используют эти прогнозы, как базы для формирования выгодных инвестиционных портфелей. Внутри фирм, менеджеры используют эти прогнозы на целый ряд критически важных решений, в том числе оперативных бюджетов, капитальных вложений, а также других решений, распределения ресурсов. Точность таких прогнозов, таким образом, является необходимым как для оптимального управления портфелем на рынках капитала и оптимального распределения ресурсов внутри компании (например, Джарретт, 1990; Элджерс вот,

Выбор методологии прогнозирования, сама по себе, важное решение для инвесторов и для руководителей. Более ранние исследования на точность альтернативных методов прогнозирования находится в одной из двух категорий: (1) сопоставления различных статистических или механические методы прогнозирования, и (2) сопоставления статистических моделей с прогнозами аналитиков субъективные (см. Лобо

Значительное количество исследований по статистической модели прогнозирования в литературе создал необходимость разнообразные средства категоризации для определения и выбора модели (для всеобъемлющего обзора на механические методы прогнозирования, используемые в различных областях, приложение, в систематике эта литература можно получить у авторов). Один из способов классификации основных статистических методов прогнозирования использоваться для оказания помощи в выборе модели заключается в определении модели, как либо быть линейными или нелинейными. Другая классификация статистических моделей прогнозирования ссылаться на них либо как "одномерный" (т.е. с использованием одной независимой переменной в модели) или "многомерных" (т. е. более чем одной независимой переменной). В контексте прогнозы EPS, на сегодняшний день, большинство статистических методов, используемых при прогнозировании EPS являются линейными (для классификации механических EPS методы прогнозирования, добавление можно получить у авторов). Например, семейство моделей временных рядов, прогноз широко используется для прогнозирования EPS относится к категории линейных прогнозов. Совсем недавно исследователи начали рассматривать нелинейный характер финансовых данных и включить в их нелинейности модели прогнозирования.

Например, Каллен, Кван, Yip, и Юань (1996) отметили, что квартальный EPS является нелинейной финансовых данных, и поэтому нейронные сети прогнозирования подход является целесообразным. Более того, в литературе прогноза EPS, необходимы дополнительные исследования была проведена в одномерных категории, чем в многомерной категории. В бизнес-контексте прогноза EPS, Abarbanell и Буши (1997) ссылаться на эти переменные, как "основных переменных бухгалтерского учета" и включать такие элементы, как дебиторская задолженность, инвентарь, и капитальных расходов. Их исследования показали, EPS, что многомерных моделей более эффективны, чем те, в одномерной линейной связи ..

Целью данной работы является изучение точности нелинейных подход (например, нейронные сети или NN) в прогнозировании ежеквартального EPS. Для того чтобы это сделать, мы сделаем прогноз сравнения между методами Н. Н. и ряд ARIMA (авторегрессии Комплексной Moving Average) статистических линейных моделей, используя для этого как одномерные и многомерные основных переменных бухгалтерского учета (Box

Наша статья вносит свой вклад в нейронной сети литературы путем документального доказательства того, что нейронные сети позволяют получать более точные прогнозы квартальных EPS, чем линейные модели, и это особенно верно, когда фундаментальные переменные бухгалтерского учета были зарегистрированы. Н. Н. успешно применяется в прогнозировании и прогнозирования исследований во всех функциональных областях бизнеса, в том числе бухгалтерского учета (Ленард, Алам,

(1996), где нейронных сетей не вызывает начальника ежеквартальные прогнозы EPS. Они считали, что в бизнес-контексте прогноза EPS, производительность модели нейронной сети была менее точной, чем другие ARIMA временных рядов, модели прогнозирования. В нашей работе нейронной сети методом мы используем учитывает влияние основных переменных учета на будущее EPS, уступая подтверждающих преимущество нейросетевого подхода при прогнозировании ежеквартального EPS. Наша статья таким образом подчеркивает важность того, как Н. Н. метод прогнозирования должны включать более широкие наборы информации ..

Наша статья вносит свой вклад в литературу прогноза EPS путем решения нелинейных способом, который стоимости соответствующих бухгалтерских информация включается в будущем ежеквартально EPS. Abarbanell и Буши (1997) предлагают нелинейной связи между будущим EPS и некоторых основных финансовых сигналы, и мы проверяем эту нелинейность, используя NN. Кроме того, в то время как большинство исследований по прогнозам EPS рассмотреть нелинейности и многомерной модели в отдельности, мы одновременно рассматривать эти два аспекта. Мы представляем доказательства того, что более точные прогнозы квартальных EPS может быть получена из многомерной нелинейной модели прогноза, чем от модели, рассматривающие нелинейности и многомерный метод в отдельности. Кроме того, в результате чего многомерной модели Н. превосходит все другие методы является надежной всей четверти, года, и промышленности.

Однако в этом документе также отмечается, что на рынке ценных бумаг не представляется использовать наиболее точный прогноз метод при установлении своих доходов ожидания. Это дает возможность эксплуатационные формирования выгодных инвестиционных стратегий. Результаты нашей работы также может помочь прогнозы доходов мелких фирм, финансовые аналитики не склонны к обложке (Брэнсон, Лорек,

ПРИОР ЛИТЕРАТУРА И ГИПОТЕЗЫ

Нейронных сетей в прогнозировании финансовых данных

Из-за различных методик прогнозирования, различные методы, как правило, рассматривается, используя "сравнительный анализ", чтобы показать, более точные, с учетом определенного набора методов и особенности бизнес-контексте (например, прогнозирование EPS, цены на акции и т. д. ). Стремясь к достижению более высокого уровня точности прогнозов всегда ищем новые количественные методы прогнозирования сравнить с тем они используют. Один методологии, которая получила большое внимание искусственных "нейронных сетей" (NN). Для обзора основ Н. см. Chauvin и Rumelhart (1995).

По словам Ким, Ким и Ли (2003), новая тенденция объединения нескольких классификаторов стала для улучшения результатов классификации в интеллектуального анализа данных. Например, Спенглер, мае и Варгас (1999), созданной матрицы ревизии методологии оценки эффективности трех популярных методов анализа данных в многочисленных проблем классификации, а именно: линейный дискриминантный анализ, нейронные сети, и индукции дерева решений. Результаты их исследования показали, что нейронные сети дают лучшие результаты для общего крупнейших многочисленные случаи классификации. В своем сравнительном исследовании, Чжу и др.. (2001) построены системы обнаружения вторжений с использованием различных методов интеллектуального анализа данных для сетевых администраторов для решения сетевых атак безопасности. Результаты показывают, что анализ данных методов и данных, доля оказывают существенное влияние на точность классификации и NN-систем обнаружения вторжений вне выполнить индуктивный метод обучения в классификации. Захватив нелинейной зависимости между комбинированных классификаторов и физических лиц, Чжу, Белинг и Оверстрит (2002) предложил байесовской структуры (типа нейронных сетей для классификации) для построения комбинаций классификатора мероприятий. Эмпирические результаты сочетание кредитных оценки генерируется из четырех различных скоринговых моделей показывают, что Н. Н. основе (Bayesian) нескольких классификаторов улучшить общие результаты классификации.

Ким и др.. (2003) представил методику прогнозирования покупательским поведением клиентов в электронной коммерции настройки путем объединения нескольких классификаторов. NN-метода, основанного показывает лучшую производительность, чем отдельные классификаторы и другие известные методы объединения. Таким образом, исследования в области интеллектуального анализа данных показали, что NN-моделей, основанных жизнеспособной выбор при построении ансамблей для объединения нескольких классификаторов для решения задач прогнозирования и эти сравнительные исследования также показывают, что NN-моделей, основанных превосходят традиционные несколько методик классификации ..

Нейронной сети был использован для широкого спектра задач прогнозирования и литературы в этой области растет (см. Zhang и др.., 1998). В финансового прогнозирования данных, примеры применения нейронных сетей включают (но не ограничиваются ими) исследования, проведенного Хатчинсон, вот, и Поджио (1994), др.-Галлен. (1996), церковь и Curram (1996), карри и Пил (1998), Tkacz (2001) и Ци (2001). Хотя некоторые исследования показали, что нейронная сеть превосходит традиционные статистические методы, другие предоставляют доказательства того, что они этого не сделали. В Каллен и др.. (1996) исследование, сравнение прогнозов способность семейства одномерных линейных ARIMA временных рядов, модели и модели нейронной сети был рассмотрен. Из выборки 296 фирм NYSE, они использовали EPS данные, охватывающие период 89 кварталов. Прокат окна 40 кварталов была использована для определения прогнозных моделей, а также прогнозируемые 49 EPS были по сравнению с их фактическим EPS. Они обнаружили, что линейные Браун-Rozeff и Гриффин-Уоттс одномерных моделей временных рядов, генерируется более точные прогнозы, чем EPS модели нейронной сети. Они утверждают, что их данные свидетельствуют, что производительность модели нейронной сети может быть бизнес-контекстная, и нет никаких четких доказательств того, что нейронные сети подход доминирует в стандартных статистических методов ARIMA в прогнозировании ежеквартального EPS ..

Результаты др. Каллен и др.. (1996) представляют собой потенциальную ограничения прогнозирования Н. Н. в поддержку решения, основанные на прогнозах, EPS и, как таковые, заслуживают дальнейшего изучения и уточнения. В частности, Каллен и др.. (1996) утверждают, что одномерные модели нейронной сети не обязательно выше линейной модели ARIMA в рамках ежеквартального прогноза EPS, даже тогда, когда квартальные данные EPS финансовые, сезонных и нелинейные. Тем не менее, мы заинтересованы в поиске ли Каллен и др. л. (1996) утверждение остается в силе, если мы включим в модели прогнозирования основных переменных бухгалтерского учета. Выводы С учетом предыдущих исследований о том, что основные переменные учетной предсказательной силы в отношении доходов, и что эти учета переменных могут быть связаны с будущими доходами нелинейным образом, мы ожидаем, что Каллен и др. л. (1996) утверждение по поводу отсутствия превосходства Метод Н. Н. не будет проводить для многомерных моделей.

В нашей работе мы включаем основные переменные бухгалтерского учета в моделях прогноза EPS. Мы построим многомерных моделей временных рядов, ставя таким образом наш прогноз моделей в контексте богаче, чем предыдущие исследования. Хотя до сих пор споры вокруг неопределенности и теоретической основой нейронной сети, Горр (1994) указывает на то, что было бы целесообразно использовать нейронных сетей для прогнозирования многомерных временных рядов. Таким образом, мы ожидаем, что с помощью нейронной сети метод, который принимает во внимание последствия основных переменных учет будущих EPS, наше исследование, вероятно, дают разные результаты по точности нейросетевого подхода при прогнозировании ежеквартального EPS, чем документально Каллен и др.. (1996).

Фундаментальный анализ VARIABLE УЧЕТА И НЕЛИНЕЙНОСТЬ бухгалтерской информации

Пенман (1992, стр. 465) определяет фундаментальный анализ переменной бухгалтерского учета, или просто "фундаментальный анализ" как процесс "определение стоимости ценных бумаг из имеющейся информации, с особым акцентом на данные учетной записи." Исследования, проведенные Лев и Thiagarajan (1993) документы, перечень основных переменных бухгалтерского учета, утверждают финансовые аналитики, как налог на соответствующие оценки в области безопасности, имеет дополнительные объяснительной силой по отношению к избыточной прибыли. Используя аналогичный набор фундаментальных переменных учета, но принимая различные взгляды на роль фундаментального анализа (например, фундаментальный анализ должен быть направлен на прогнозирование EPS, но не объясняя возвращается), Abarbanell и Буши (1997) протестировал объясняющей силы основных бухгалтерских переменные по отношению к изменениям в будущем изменения EPS. Они обнаружили, сильные связи между отдельными основных сигналов (например, основных переменных учета информации, которые действуют на "сигнал" прогнозов возможного будущего события) и будущие изменения EPS. Таким образом, конкретные финансовые данные могут быть полезны при объяснении возвращает безопасности и прогнозирования EPS. Последующие исследования показали, что инвестиционные стратегии, основанные на ежегодный основной анализа информации делает заработать значительные ненормальное возвращает (Abarbanell

В нашем исследовании мы придерживаемся точки зрения Abarbanell и Буши (1997) и сосредоточиться на предсказательная сила основных переменных в отношении будущих EPS. Вместо установки основных переменных в модели, в которой будущие доходы зависимой переменной и анализа добро "подгонки" измеряем, мы оценить предсказательная сила переменных путем изучения ошибку прогноза на опорные образца. Исследования уже давно обнаружили, что модели с твердой добро "подгонки" меры не может выполнить, а также задач в области прогнозирования (Вт

Применение метода Н. в этой обстановке прогнозирования уместно, поскольку он касается вопроса нелинейности подозреваемых Abarbanell и Буши (1997). Abarbanell

Наш выбор методом Н. Н. решения фактор нелинейности на основе обширного обзора литературы. Наши исследования показали, что для одномерных моделей, Н. Н. модели превосходят другие нелинейные подходы в 6 исследований, и для многомерных моделей, Н. Н. модели достичь лучших результатов, чем прогнозы других нелинейных методов в 16 исследованиях. Среди исследований, которые мы знаем, нет никаких доказательств того, что Н. Н. модели превосходят других методов нелинейной. Мы пришли к выводу, что Н. Н. модели обычно более эффективна, чем другие нелинейные модели, и в этом качестве, мы выбираем Н. Н., в отличие от других нелинейных методологии построения нашей нелинейных моделей прогнозирования.

Гипотезы

Использование базы данных корпорации EPS, мы обязуемся статистический тест и сравнительная оценка точность прогнозов из двух наборов моделей прогнозирования, методы линейной и нелинейной методы Н.Н., и их использование основных переменных учета на основании (нулевой) гипотезы, что:

H1: Существует никакой разницы точность прогнозов в линейных и нелинейных методов методы NN.

H1 гипотеза требует сопоставления одномерных линейных одномерных Н.Н., сравнение многомерных линейных многомерных моделей с NN. Таким образом, для целей статистического тестирования мы разорвать выше гипотезы на две части:

H1A: Там не будет разницы точность прогнозов в одномерных линейных и нелинейных одномерных Н. модели, когда основные переменные учета отсутствуют одномерных моделей.

H1B: Там не будет разницы точность прогнозов в многомерной линейной модели и многомерных нелинейных моделей Н. Н., когда фундаментальные переменные учета находятся в многомерных моделей.

Мы ожидаем, что на основе предварительного исследования, учет нелинейности в прогнозировании ежеквартального EPS приведет к повышению точности прогнозирования, в результате отказа от нулевой H1.

Из основных переменных учетной предсказательной силы в отношении будущих доходов и соотношение между основными переменными бухгалтерского учета и будущих EPS может быть нелинейными, мы также ожидаем, что многомерных нелинейных моделей Н. Н. приведет к наиболее точный прогноз, так как они одновременно учитывать нелинейность и основных бухгалтерских переменных. Что касается других моделей, напротив, эти два аспекта могут рассматриваться в отдельности третьей части H1 и заявил:

H1c: Там не будет разницы между точность прогнозирования многомерных моделей Н.Н. и другие модели прогнозирования (например, одномерный линейный, одномерный Н.Н., многомерной линейной).

После того как мы сравнить точность альтернативных методов прогнозирования, мы пытаемся определить, какой метод прогнозирования инвесторов, скорее всего, следовать путем проведения испытаний окупаемость используемых Фостер (1977) и Bathke и Лорек (1984). Отклонение от инвесторов прибыль ожидание вызовет переоценку инвесторами стоимости компании и привести к возникновению бессистемный (или ненормальных) возвращает. Здесь ненормальные возвращения прокси-сервер для инвесторов пересмотра стоимости компании после недавно выпущенного фактического заработка. Например, если фактический доход фирмы избили доходы ожиданий, то инвесторы будут пересматривать цены акций фирмы вверх и положительной ненормальное возвращает приведет, а с другой стороны, если прибыль фирмы не отвечают ожиданием, то инвесторы будут пересматривать долю цены вниз, и отрицательные ненормальное возвращает будет результат. Значительная положительная связь между прогноз ошибки и неправильные возвращает для метода прогнозирования будет свидетельствовать о том, что инвесторы сделали ставку на метод при определении доходов ожидания. Более тесно инвесторов следовать определенным методом прогнозирования, тем выше корреляция между ошибку прогноза и оценки рынка, пересмотр (измеряемая как ненормальные возвращается) для этого метода ..

Использование корпорации EPS, мы обязуемся статистический тест и сравнительная оценка степени которым инвесторы используют различные модели прогнозирования на основе (нулевой) гипотезы, что:

H2: Там будет никакой разницы в методы прогнозирования в отношении захвата прибыль ожидания на рынках капитала.

Как отмечалось ранее исследования показывают, наибольшее ассоциации между прогнозом ошибки и неправильные возвращает будет присутствовать метод прогнозирования рынка фактически использует. Таким образом, H2 можно перефразировать как: нет никакой разницы в ассоциациях между прогнозом ошибки и неправильные возвращает безопасности для различных моделей прогнозирования.

H2 гипотеза требует сопоставления ассоциации меры во всех четырех моделей прогнозирования одномерных линейных, одномерных Н.Н., многомерной линейной и многомерной модели NN. Если инвесторы будут выбирать метод прогнозирования на основе ее точности, наиболее точной модели прогнозирования (например, многомерная модель NN) будет проявлять сильные связи между пересмотр инвесторами стоимости компании (например, неправильные возвращает безопасности) и прогноз об ошибке. Поэтому мы ожидаем, отказаться от нулевой H2.

Обнаружение методом использования инвесторов на фондовом рынке способствует решению вопроса о том, кто принимает решения на рынке капитала использовать всю необходимую информацию в процессе принятия решений. Если мы найдем доказательства того, что сильные связи между прогноз ошибки и неправильные возвращает безопасности находится в менее точный прогноз метод, то очевидно, что инвесторы не следил за наиболее точный прогноз модели. Неспособность рассчитывать на наиболее точные модели прогнозирования будет указывать на ограничения в принятии решений инвесторов.

На более практическом уровне, неспособность рынка использовать всю соответствующую информацию, обеспечивает эксплуатационные возможности сформировать прибыльный портфель. Как простой пример, предположим, что рынок ожидает EPS фирмы на 17 центов в то время как более точный метод предсказывает EPS на уровне 12 центов. Позже, фактические доходы объявлен 12 центов, вызвав падение цен на акции фирмы, поскольку фактический EPS не оправдывает ожиданий на рынке от 17 центов. Для инвесторов, которые более точный прогноз, они могут ждать, пока после освобождения доходов на приобретение акций компании (или продать акции фирмы до выпуска заработка). Поэтому, если группа инвесторов имеют то преимущество, владеющих более точные прогнозы доходов, эти инвесторы могут легко "избили на рынке" за счет использования более точных прогнозов.

МЕТОДОЛОГИЯ

Чтобы проверить основные гипотезы исследования по прогнозированию ежеквартального EPS, мы сравниваем эффективность четырех категорий модели спецификации. В частности, мы построим четыре категории моделей с использованием линейных и нелинейных (NN) методы, а также рассмотреть обе эти ситуации с основными переменными учета как отсутствует и настоящего. 4 категории моделей, определенных в данном разделе ниже, и концептуально, изложенных в таблице 1.

Мы делаем 2 разъяснения здесь. Во-первых, выбор основных переменных, основываясь на предыдущей литературе, главным образом, Лев и Thiagarajan (1993) и Abarbanell и Буши (1997). Эти два исследования, проведенные направленного поиска письменного заявления финансовых аналитиков определить набор переменных утверждал быть полезным в оценке безопасности и доходы прогнозирования. Более поздние исследования, такие как Abarbanell и Буши (1998) и др. Beneish. (2001) включала определены переменные испытания и подтвердили теории, лежащие в основе выбора этих переменных. В разделе "Справочная Тесты этой статье мы будем добавления или удаления определенных сигналов, а также испытания различных комбинаций переменных для оценки надежности полученных результатов.

Во-вторых, для преодоления препятствий на отсутствие квартальные данные по расходам капитала и рабочей силы, мы делаем предположение, что в столице расходов равномерно по кварталам, а число сотрудников остается относительно постоянным в течение года. Мы считаем, что если какой-либо предвзятости вводится в принятии этих предположениях для квартальных мер, то очень вероятно, что смещение будет одинакова во многомерной линейной и нелинейной многомерной модели, где эти переменные. Кроме того, в наших тестах Справочная мы упадет переменной рабочей силы и заменить капитальные расходы согласно таблице V с капиталом расходов, заявленных отчет о движении денежных потоков, для которых ежеквартально информацию можно получить, и его основная разница в том, что первая включает в себя капитальные затраты на приобретенных компаний в то время как последняя не. Альтернативные меры используется также парк и Пинкус (2003). Мы будем оценивать чувствительность нашего результаты различных измерений переменной.

Как и в предыдущих исследованиях, для каждой модели прогноза, если фактические EPS выше, чем прогноз, мы классифицируем квартале фирмы в "хороших новостей", портфолио, если фактические EPS ниже, а затем квартале фирмы делится на "плохих Новости "портфолио. Мы ожидаем, что "хорошие новости" портфель будет связан с положительным ненормальное возвращается в то время как "плохие новости" портфолио ассоциируются с негативными ненормальные прибыли. Мы используем два на два таблицы сопряженности оценить значение этого объединения, и доклад хи-квадрат статистики совместно с среднем ЦАР "хороших новостей" портфолио, чтобы "плохие новости" портфеля, а также инвестиционную стратегию покупки ценных бумаг с хорошими новостями и продажи ценных бумаг с плохой новости.

Гипотезы-Тестирование

Для H2, где мы хотим сравнить силу ассоциации между прогнозом ошибки и неправильные возвращает безопасности для одномерных моделей (линейные и NN) и многомерных моделей (линейные и NN), мы будем сравнивать хи-квадрат статистики для каждой модели, получены из 2 2 таблицы сопряженности. Общий нуль для 2 +2 тест таблицы сопряженности, что "наблюдение события" находится в строке я 'не зависит от события "в тот же наблюдение в колонке J" (Коновер, 1980, p. 159). В контексте нашей работы, я мог бы быть "хорошей новостью" и "плохие новости", и / может быть "ненормальным возвращает положительный и отрицательный аномальный возвращается". Для наших прогнозных моделей, мы ожидаем, что "хорошие новости", связаны с позитивными ненормальное возвращается и "плохие новости", связано с отрицательным ненормальные прибыли. Мы ожидаем, что модели прогноза, который, скорее всего, суррогатного для заработка на рынке ожидания, представят высшего ассоциации (зависимости) между типом новости и ненормальное возвращается и, следовательно, будут иметь наивысший хи-квадрат статистики. Таким образом, chisquare статистики из таблицы 2 +2 резервного будет указывать для каждой модели прогноза, в соответствии с предварительного прогнозирования исследование методологии, используемые Фостер (1977) и Bathke и Лорек (1984) ..

Альтернативным способом оценить прочность ассоциаций заключается в изучении величины возвращается в "хороших новостей" портфеля "плохие новости" портфеля, а также композитных возвращается к инвестиционной стратегии покупки ценных бумаг переживает "хороших новостей" и продажи ценных бумаг переживает "плохие новости". Мы ожидаем, что, скорее всего, суррогатного для заработка на рынке ожидания иметь высокие величины аномальной возвращается и композиционных прибыли.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Данные профиля

Мы собрали ежеквартального EPS и основных данных информацию из Compustat. Хотя Compustat предусматривает ежеквартальные данные EPS в течение относительно длительного периода времени (примерно 80 кварталов), самый длинный временной ряд основных переменных 45 кварталов. Кроме того, мы потерять пять точек данных за счет разностей. В результате, мы получим образец 283 фирм, каждая из которых имеет 40-квартал замечания со второго квартала 1992 года по первый квартал 2002 года. В таблице 2 представлена разбивка образца фирм в отрасли, на основе 2-значные коды НИЦ. Наша выборка включает в себя в общей сложности 41 отраслей промышленности. Среди них, промышленности электрического и электронного оборудования для счета наибольшую часть образца (9,54%). Такие отрасли, как химическая продукция, промышленное оборудование, а также представляют документы относительно большая доля образца (8,48%, 8,48% и 7,77% соответственно).

Результаты на H1 гипотезы

Таблица 3 докладов средние два мер для отдельных четверти, а также для объединения прогнозы по четверти. Относится к H1A, мы видим, что Мейпес в одномерной линейной модели в категории 1 (в основном между 0,50 и 0,60) являются постоянно выше, чем МАПО меры одномерных нелинейных (NN) модель Категория 3 (между 0,48 и 0,54) для каждого квартал и за все кварталы вместе, поддержку превосходные характеристики модели Н. Н. в одномерных обстановке. Сравнение между Мейпес многомерных линейных и нелинейных многомерных (NN) модели, как это было предложено H1B, дает еще более убедительные данные в пользу модели NN. Многомерной модели с использованием нейронных сетей (категория 4) имеет намного более Мейпес (от 0,35 до 0,38), чем многомерных линейных подходов к категории 2 (в основном, выше 0,60). Относится к H1c, очевидно, что многомерная модель Н. категории 4 превосходит все другие модели с низким Мейпес. Через восемь моделей, MSE мера и процент крупных ошибок (определяется как прогноз ошибки, указанные выше 100%) имеют такие же модели.

Данные в таблице 3 также указывает на основные переменные условно добавленную стоимость при прогнозировании будущих EPS на основе моделей, используемых в прогнозировании. С одной стороны, просто добавив линейной комбинации основных переменных бухгалтерского учета линейных моделей прогнозирования, не приведет к более точные прогнозы. Точность прогнозов, напротив, отрицательно сказывается в том числе основных переменных бухгалтерского учета в линейной модели, о чем свидетельствует сравнение категории 1 и категории 2. Судья, Хилл, Грифитс, Lutkepohl, и Ли (1988) рассказывалось о причине использования какой-либо переменной не может обеспечить вышестоящего прогноз на только с помощью последних значений переменной: "Наши сведения о лежащих в основе механизма отбора проб, как правило, неполной и, следовательно, экономических и эконометрических моделей, в лучшем случае грубого приближения к реальности. Поэтому не следует удивляться тому, что временные ряды моделей, которые используют только информацию из множества замечаний по одной переменной, в некоторых случаях, предусмотренных прогнозируют, что главным для предсказания крупномасштабных эконометрические модели "(" Аль судья и др., 1988, p. 675). С другой стороны, в том числе основных сигналов в нелинейной модели прогнозирования повышает точность прогнозов в частности, о чем свидетельствует сравнение метрик ошибки категории 3 и 4 категории.

Казалось бы, противоречивые результаты, полученные с использованием и без использования нейронных сетей, показывает, что манера, в которой основными переменными интегрированы в будущие EPS является нелинейной, и что использование нейронных сетей здесь уместно, поскольку он отражает неизвестных форма нелинейности. Этот результат является то, что Papatla и др.. (2002), в их использовании Н. Н. объяснить, невидимые силы, которые не могут быть зафиксированы в линейной модели. Таким образом, можно утверждать, что сокращение МАПО меры для модели 4 категории должны быть отнесены как включение основных переменных и использование нейронных сетей ..

Чтобы обеспечить более формальные испытания H1, мы проводим Фридман (Коновер, 1980) тест для оценки статистической значимости различий в прогноз EPS моделей для отдельных помещений и для прогнозов объединения всей четверти. В таблице 4 мы приводим моделей среднего ранга и общей оценки производительности получены из бинарных сопоставлений как указано проверки гипотез процедур.

Группа В таблице 4 представлены данные для тестирования H1A. Заметим, что доклад F-статистика здесь, потому что Иман и Дэвенпорт (1980) было показано, что статистический тест Фридмана лучше аппроксимируется использованием F-распределения, чем ранее выявленных хи-квадрат распределения. Для образца, объединенных по четверти, тест Фридмана для нескольких обработок F статистики 14,036 (р = 0,000), указывая, что точность прогнозов, измеряемое как ряды, значительно различается между прогнозных моделях Категория 1 и 3. Одномерную модель Н.Н. (категория 3) имеет самый низкий средний ранг (2,832) и низкая производительность оценка (1), тем самым наиболее точный прогноз модель среди 5. 4 одномерной линейной модели неотличимы друг от друга, и им назначается общий показатель исполнения 3,5 по шкале от 1 до 5. Таким образом, H1A в его нулевой форме отклонил для образца объединения всей четверти. Подробнее остановимся на четверть по четверти результатов показывает, что результаты первого и четвертого кварталов находятся в соответствии с общей для образца. Тем не менее, результаты за второй и третий кварталы показывают, что одномерные модели Н. существенно не доминировать над другими одномерной линейной модели.

Группа B 4 приведены результаты испытаний, связанных с H1B. Среди этих трех моделей категории 2 и 4, как для отдельных помещений и всех сторон, многомерного модели нейронной сети (категория 4) последовательно доминирует. Это самый низкий средний ранг (между 1,460 и 1,504) и присваивается производительность 1 балл во всех помещениях. 2 линейных многомерных моделей с основными переменными отставали одним или четыре четверти (категория 2) имеют более высокие звания среднего, подразумевая, хуже, производительность по сравнению с многомерной модели NN. Таким образом, H1B в его нулевой форме отклонил как для объединения замечания по кварталов и наблюдения за конкретными четверти.

H1c проверена путем сравнения точности прогноза по всем восьми моделей. Группа С таблице 4 представлены доказательства того, что многомерная модель Н. является наиболее точной модели прогнозирования. Это самый низкий средний ранг (между 2,743 и 3,124) и присваивается 1 балл во всех помещениях. Таким образом, H1c в его нулевой форме также отклоняется.

На основании результатов, представленных в таблицах 3 и 4, приходим к выводу, что существует значительная разница в точность прогнозов между линейной и нелинейной моделей NN. Разница больше по абсолютной величине между многомерных линейных и многомерных моделей Н. Н., когда фундаментальные переменные учета присутствуют. Проще говоря, мы отвергаем Hl и заключить, что использование модели Н. делает улучшить точность прогнозирования при прогнозировании ежеквартального EPS, и что повышение производительности становится все более очевидным, когда фундаментальные переменные учета добавлены модели прогнозирования. Таким образом, в нынешних условиях нелинейного подхода (например, нейронных сетей), включающий основные сведения учета переменной-видимому, представляет лучше прогнозировать модели.

Результаты на H2 гипотезы

Хи-квадрат, "хорошие новости", "плохие новости", и композитных статистики H2 вопрос исследования представлены в таблице 5. Мы считаем, что наиболее точный прогноз модели многомерной-модели нейронной сети категории 4, не проявляет сильные ассоциации между знаком прогноз ошибки и неправильные прибыли. За период с (т - 32, т 1), [хи] ^ SUP 2 ^ для многомерных-нейронной сети модель 10,955. Значение уровней [хи] ^ SUP 2 ^-распределение с одной степенью свободы 2,706 при р = 0,1, 3,841 р = 0,05 и 6,635 для р = 0,01. Несмотря на значительный, это ниже, чем для одномерных моделей (категории 1 и 3). Из четырех категорий моделей прогнозирования, [цзи] ^ SUP 2 ^ статистики являются самыми высокими в одномерной линейной модели (категория 1). В (Т - 32, т 1) период, возвращается в "хороших новостей" портфель все положительное в то время как на "плохие новости" портфель все негативные. Композитных возвращается снова высокий (1,8% до 2,4%) в инвестиционной стратегии на основе прогнозов EPS который дает одномерную-линейных моделей прогнозирования. Результаты за период (т - 32, Т 32) предлагают тот же интерпретации. Только, все хи-квадрат статистика гораздо меньше, и сводного возвращает также немного ниже, за этот же период год по сравнению с (т - 32, т 1) период ..

Таким образом, испытания, возвращение рынка показывают, что ожидания рынка в один шаг вперед ежеквартального EPS более в соответствии с одномерных линейных моделей прогнозирования, хотя нейронных сети, включающей основные учета сигналы, очевидно, создает более точные прогнозы. Хотя Есть статистически значимые связи для всех моделей, степень связи, измеренный в связи со значительным [цзи] ^ SUP 2 ^ статистики, лучше всего для менее точной одномерной линейной модели по сравнению с моделью НН основных переменных бухгалтерского учета. Поэтому мы отвергаем H2, что нет разницы в какой степени опирается на рынке различные модели прогнозирования в формировании своих ожиданиях. Данные указывают на прямо противоположное, что Н. Н. моделей основных переменных учетной слабые связи между прогноз ошибки и неправильные возвращает безопасности по сравнению с менее точной одномерной линейной модели. Эти результаты, однако, согласуется с выводами Фостер (1977) и Bathke и Лорек (1984), кто готовит документы, что рынок настраивается на сезонность квартальные данные EPS.

Наши тесты показывают, что возвращение наиболее точной модели прогнозирования не поймали ожидания рынка хорошо. Там может быть два объяснения этого результата. Во-первых, точность прогнозов не является серьезной обеспокоенности участников рынка (например, инвесторов), во-вторых, инвесторы не признают или использовать наиболее точные метод прогнозирования. Первое объяснение вряд ли, учитывая важность инвесторов место на прибыль точность прогнозов (Элджерс и др.., 1995). Если второе объяснение будет принято, то ограничения в возможности обработки информации лицам, принимающим решения (например, инвесторов) может быть подразумеваемым. В частности, если на рынке была использована вся информация (например, информация, представленная на основных сигналов), надлежащим образом (например, нелинейного подхода) при установлении своих доходов ожидания, то его заработок прогнозы были бы ближе к предсказываемых многомерная модель Н.Н. (который является наиболее точным методом прогнозирования) и, следовательно, связь между прогноз ошибки и неправильные возвращает безопасности (пересмотр в оценке рынка фирмы), было бы наибольшим многомерная модель NN. Очевидно, что свидетельства возвращения испытаний показывает, что это не так.

Таким образом, рынок не признает или используют наиболее точный метод прогнозирования. Мы предполагаем, что либо инвесторы проигнорировали информацию, имеющую отношение к формированию доходов ожидания или инвесторы не работает сложных методов обработки информации в формировании их ожидания, хотя такие методы оказаться полезным при прогнозировании будущих EPS. Например, даже если рынок пренебрегали основной информации, нелинейного подхода (NN) в прогнозировании ежеквартального EPS прежнему будет иметь возможность улучшить точность прогнозирования. Однако наши результаты показывают, H2 по сравнению с одномерной нейронных сетей, традиционного одномерных моделей временных рядов, которые отвечают за сезонности ежеквартального EPS, более вероятно, были использованы инвесторов в формировании ожиданий EPS, как показали сильные ассоциации между знаком прогноз ошибки и знаком ненормальной возвращает для одномерных моделей временных рядов ..

Справочная Тесты

Ежеквартально, ежегодно, а также отраслевые прогнозы

Наш прогноз период включает в себя второй и третьей четверти дважды, и первый и четвертый кварталы в три раза. Для устранения возможности того, что частота каждого квартала, входящих в образец может смещения наших результатов, мы проводим испытания чувствительности обрыва прогнозируемый период до третьего квартала 2001 года, с тем чтобы каждый квартал покрыта прогнозируемый период в два раза. Прогнозирование результатов остались прежними.

Чтобы подтвердить, что наши результаты в отношении точности прогноза вызваны не конкретные квартал или год, мы представляем в рядах каждой модели прогноза на четверть в квартал и год за годом основе в рамках группы В таблице 6 и Группа B Таблица 6 , соответственно. Совершенно очевидно, что наши результаты не влияет на конкретный период времени. Мы также изучить ряды прогностических моделей для каждой отрасли и найти закономерностей в различных отраслях промышленности (результаты предоставляются по запросу). Поэтому мы считаем, что господство многомерной модели Н. применима к фирм из любой отрасли для всех периодов, охваченных нашей выборки.

Кроме того, мы исследовали, является ли преобладание многомерной модели Н. связана с размером фирмы или доходов изменчивости. Мы рассчитали размер фирм, как натуральный логарифм числа акций в обращении на конец квартала умножается на стоимость акций, и рассчитывается прибыль изменчивости как стандартное отклонение, деленное на среднее значение EPS за период оценки. Мы провели простой модели логит где зависимая переменная кодируется как 1, если многомерных Н. превосходит другие, и нуль иначе. Мы обнаружили никакой связи между вероятностью многомерных господство Н.Н., размер компании или прибыль изменчивости.

Прогнозы с изменением основных переменных множество

Выбор основных переменных учета производится на основе доказательств, представленных до литературы, в том числе и Лев Thiagarajan (1993), Abarbanell и Буши (1997, 1998), Beneish и др.. (2001), Khurana и КР (2003), Свонсон, Рис, и Хуарес-Вальдес (2003), и Бао и Бао (2004). Эти переменные, впервые были определены Льва и Thiagarajan (1993) и были зарегистрированы более поздних исследований, полезные в объяснении безопасности будущих доходов и прибыли. Мы случайно выбрал другой переменной, кредиторская задолженность, а также экспериментировали с добавлением переменной для оценки того, при изменении основного набора сигнала, наши результаты будут держать. Наши результаты остаются в силе.

Поскольку рабочая сила и капитал переменных расходов только приближения квартальных меры, мы упали переменной рабочей силы и использовать альтернативное определение капитальных затрат, чьи квартальные данные могли быть получены из отчета о движении денежных потоков. Отличие наших первоначальных Расписание V меры и альтернативные меры денежного потока является то, что первая включает в себя капитальные затраты на приобретенных компаний в то время как последняя не. Опять же, наши результаты не изменились.

Schuh и Триесте (2000) документ, который multiplant фирм, как правило, собственные крупные заводы, и численности занятых на заводах стремится к повышению с количеством растений фирма осуществляет свою деятельность. Работа потоки выше на одном предприятии фирм и фирм, которые работают только несколько растений, чем на multiplant фирм, работающих более растений. Одним из последствий своих выводов является то, что фирмы с большой занятости может быть меньше подвержены резким изменениям в совокупной занятости, чем фирмы с малой занятости. За период с 1992 по 2001 год, в нашу выборку из 283 фирм в среднем 16 213 сотрудников в год, тогда как остальная часть Compustat фирмы только 5837 сотрудников в год. Образца фирм в нашем исследовании, больше в области занятости и, следовательно, темпы создания рабочих мест и разрушений будет меньше, поддерживающие наше предположение о постоянной занятости в течение года.

Парк и Пинкус (2003) использовали ежеквартальные измерение капитальных расходов, что так же, как наши альтернативные меры. Мы сравнили эти альтернативные меры, чтобы наши первоначальные меры капитальных затрат, и обнаружил, что за 283 фирм с 1992 по 2001, разница между этими двумя показателями за 238 фирмы / лет из в общей сложности 2830 фирма / лет. Кроме того, мы обнаружили, что, если бы мы использовали альтернативные меры, средняя капитальных расходов была бы 33 центов на акцию за первый квартал, 37 вторых, 36 третьих, и 41 на четвертый. Таким образом, за счет выделения капитальных расходов в равной степени каждый квартал, мы бы завышены капитальные расходы по 3,75 цента за первое, занижены 0,25 центов за второй, завышена на 0,75 третьих, и заниженной 4,25 за последний квартал, если, опять же, мы были использованы альтернативные меры, как в парке и Пинкус (2003). Некоторые исследователи предполагают, что новые проекты капитала не оказывают непосредственное влияние на доходы, а расходы, связанные с амортизации делать (Abarbanell

Прогнозирование более поздних периодов

Наш прогноз период заканчивается с первым кварталом 2002 года. Как мы уже последние учета имеющихся данных, мы сможем продлить наш прогноз до первого квартала 2003 года. После того как мы добавили последние четыре четверти, все доказательства в соответствии с ранее полученными результатами ли мы протестировали четыре четверти по отдельности или испытан образец комбинированного объединения более недавний период с оригинальным четверти десять. Таким образом, превосходство многомерной модели Н. Н. по-прежнему держит в прогнозировании доходов более поздних периодов.

Из-за отсутствия более свежих данных деклараций (от CRSP центра исследований в области Цены безопасности), мы не можем выразить наши возвращает испытания включают более кварталов. Тем не менее мы сломать образца и рассмотрены на четверть по-квартальной основе, что модели прогноза лучшие ожидания захвата рынка. Среди 10 кварталов, многомерная модель Н. показал несколько выше ассоциации измерить только за последний квартал нашего прогноза период (первый квартал 2002 года). Для всех остальных 9 кварталов, одномерных моделей лучше суррогатом рынка. Хотя эти данные можно предположить возможность того, что, начиная с первого квартала 2002 года после того как рынок пережил множество взлетов и падений, участники рынка могли бы стать более внимательными к сигналам основных фирмы доходов и сделали более точные прогнозы, мы считаем, что он требует рассмотрения последних кварталов 2002 года и 2003, прежде чем можно с комфортом использовать этот вывод.

Прогнозирование с пошаговых методов

Мы проверили ли использование ступенчатой регрессии может значительно увеличить точность прогнозов для многомерных линейных моделей Категория 2. Наши результаты показывают, что это статистическая процедура отбора переменных же приведет к улучшению точности прогноза для категории 2 по сравнению с моделями, когда весь набор переменных используются. Однако улучшение точности прогноза многомерной линейной модели по-прежнему отстает от том, что в одномерных линейных и Н. Н. (как одномерные и многомерные) моделей. Таким образом, неполноценность многомерной линейной модели по сравнению с другими типами моделей прогнозирования как представляется, не лежат в типах переменных были включены. Данные согласуются с большинством исследований о сравнении между Н.Н. модели на основе линейного и ступенчатого методы регрессии. Шесть из семи таких исследований, мы могли бы найти показывают, что Н. Н. моделей, основанных превосходят линейные методы ступенчатой регрессии (Франсес

Мы также согласны с мыслью, что Есть некоторые преимущества поэтапного подхода для моделей NN. Например, наиболее значительное преимущество поэтапного подхода является то, что вес соединения в сети, могут быть обновлены легко, когда ввод новых дано позже, после сеть была подготовку. Поэтапный подход также является возможность обновления весов мгновенно, когда новый нейрон будет добавлен в существующую сеть, если требуемый критерий ошибки не могут быть удовлетворены. На основании динамической ступенчатой обновление алгоритма нейронной сети предлагается Чэнь и Ван (1999), мы повторно все Н.Н. моделей. Тем не менее, полученные результаты показывают, что нет существенной разницы между ступенчатой модели Н. Н. Н. модели на основе алгоритма обратного распространения в исследовании.

Отраслевые модели прогнозирования

Как и в Abarbanell и Буши (1997), мы разделили нашу выборку на три основные отрасли промышленности: производство (с кодами НИЦ, начиная с номера 2 и 3), услуги (с кодами НИЦ, начиная с номера 7 и 8), оптовая и розничная (с НИЦ коды, начинающиеся с 5). Классификация образцов фирм в этих трех секторах сохраняет большинство образцов (259 фирм из 283 компаний), признает различия между отдельными секторами пока избегает построения слишком многих отраслевых моделей. В обрабатывающем секторе, мы включили в валовой прибыли, инвентарь, и переменные рабочей силы. Для оптовой и розничной торговле, мы включили валовой маржи и инвентаризации. Для сектора услуг, мы включили только валовой маржи. Валовая прибыль является важным индикатором будущей доходности для всех фирм, таким образом, включено в качестве переменной прогноз для всех отраслей промышленности. Инвентаризация важно производства и оптовой / розничной торговли, но имеет мало отношения к сфере услуг. Наконец, рабочая сила имеет важное значение для сектора обрабатывающей промышленности, как наши прогнозируемого периода характеризуется как расширение и сжатие спроса труда.

Наши результаты показывают, что в том числе различные наборы переменных для различных отраслей промышленности улучшить точность прогнозирования многомерной линейной модели, и переехал Категория 2 модели ближе к одномерной ARIMA модели в терминах точность прогнозов. Тем не менее, с отраслевыми модели, многомерный метод Н. Н. по-прежнему превосходят все другие методы. Таким образом, основной вывод стоит, даже если мы считаем, отраслевые факторы в прогнозировании.

Обобщения вопросов

Предыдущих дополнительных испытаний свидетельствуют о надежности наших основных аргумента, что многомерных моделей Н. Н. сильно превосходит все другие модели прогнозирования. О 98,3% нашей выборки фирм (278 из 283, untabulated) имеют хотя бы один квартал, в котором многомерных Н. доминирует. Среди 2800 прогнозы для всех фирм и кварталы, многомерный Н. доминирует 956 прогнозы, что составляет 34,14% от всех прогнозов. Следующий лучший исполнитель, одномерные Н.Н., доминирует лишь 335 фирмы четверти. Резкое расхождение между лучшими и secondbest моделей приводит нас к мысли о том, что при прогнозировании ежеквартального EPS, многомерный метод Н. Н. заслуживает немало внимания независимо от отрасли, в которой фирма принадлежит или сроки, мы в центре внимания.

Хотя основные сигналы неоднократно говорилось в докладах аналитиков и финансовый анализ текстов заявление, до литературе также представлены некоторые исключения определены связи между определены основные сигналы и будущих доходов. Например, дебиторской задолженности и капитальные расходы оказываются связаны с будущих заработков в неожиданном направлении (Abarbanell

ВЫВОДЫ

Цель данной работы состояла в изучении использования точность прогнозирования Н. EPS. Мы документ, нейронных сетей повышает точность прогноза, как для одномерных и многомерных моделей. Тем не менее, повышение точности прогнозирования более очевидной, когда мы включаем сбор фундаментальных переменных бухгалтерского учета. Доказательства далее указывает, что основные сигналы имеют дополнительные значения в отношении будущих ежеквартальных EPS прогнозы, но дополнительные значение фундаментальной информации может быть достигнуто только в нелинейным образом.

Следует отметить, что наши данные о превосходстве одномерные прогноз Н. модели по линейной модели ARIMA (хотя и слабый), что противоречит документально др. Каллен и др.. (1996). В своем исследовании, Каллен и др.. (1996) определить их модели с помощью длительного времени серии и проверки моделей с использованием больше уклоняться период. Ограниченное по данным наличие основной информации, мы не можем получить долго-охватывающих ряд столько четверти, как у них. Это может предложить дополнительные функции, нейронных сетей работает лучше, когда ограниченное число наблюдений доступны для исследователей, а также, что производительность нейронной сети контекстно-зависимой.

Мы также изучить относительную способность наших прогнозных моделей для аппроксимации ожидания рынка, и считают, что более точные прогнозы не учитывают ожидания рынка, тем лучше. Это означает, что за период, который мы прогнозируем, инвесторы не приняли более точных прогнозов метода (например, многомерный метод Н. Н.), вероятно, либо из-за их пренебрежения основными бухгалтерской информации при оценке ценных бумаг, или из-за их невключение основные сигналы в будущем доходов в надлежащим образом. Либо объяснение будет косвенные доказательства того, что инвесторы не использовала имеющуюся информацию в полном объеме. Таким образом, ограничения в процессе принятия решений инвесторов предлагаются.

Это будет интересно посмотреть, если в долгосрочной перспективе, рынок пересматривает свои оценки стоимости компании на основе квартальных основных переменных, и, как следствие, безопасности, оценки становится в большей степени соответствовало прогнозам многомерных-модели нейронной сети. Он также будет интересно посмотреть, как в долгосрочной перспективе, портфели, сформированные на основе квартальных прогнозов EPS от модели нейронной сети, включающей основные сведения ежеквартально превзойти портфелей на основе других моделей прогноза. Наконец, сравнивая точность прогнозирования финансовых прогнозов аналитиков с этим механических методов, которые мы рассмотрели в данной работе, важное значение для дальнейшего развития нейронных сетей в решении помощи в целях содействия прогнозирования финансовых аналитиков квартальных EPS. Мы оставляем эти вопросы, которые будут рассматриваться для дальнейших исследований. [В редакцию: май 2003. Принято редколлегией: февраль 2004.]

Ссылки

Abarbanell, J. С.,

Abarbanell, J. С.,

Айнсли А.,

Бао, Б. Х.,

Bathke, А. В.,

Beneish, М. Д. Ли, К. М. C.,

Bhattacharyya, S.,

Box, Г. Е. П.,

Брэнсон, B. C., Лорек, К. С.,

Браун, Л. Д.,

Брюс, C.,

Каллен, J. L., Кван, C. C. Ю., Yip, П. C. Y,

Chauvin Ю.,

Chen, К. Л. П.,

Церковь, К. Б.,

Коновер, В. J. (1980). Практические непараметрической статистики (2-е изд.). Нью-Йорк: Wiley.

Конрой Р.,

Карри, B.,

Десаи, В. С.,

Элджерс, П. Т., Лоу, М. Х.,

Этеридж, Х. Л., Sriram, Р. С.,

Фостер, Г. (1977). Квартальные данные бухгалтерского учета: Временные ряды свойства и результаты интеллектуальной способности. Учет обзора, 52 (1), 1-21.

Франсес, П. Х.,

Горр, В. Л. (1994). Исследования перспективного прогнозирования на нейронных сетей. Международный журнал по прогнозированию, 10 (1), 1-4.

Гриффин, П. (1977). Поведения временных рядов квартальной прибыли: Предварительные данные. Журнал учета исследований, 15 (Spring), 71-83.

Герард, J. B. (1987). Линейные ограничения, надежные взвешивания и эффективной составной моделирования. Журнал прогнозирования, 6 (3), 193-199.

Герард, J. B.-младший,

Хардгрейв, B. C., Уилсон, Р. Л.,

Ху Цзиньтао, М. Y, Zhang Г. Цзян, К. X.,

Хатчинсон, J. М., Ло, А. В.,

Иман, Р. Л.,

Индро, D. C., Цзян, К. X., Patuwo, Б. Е.,

Джарретт, J. (1990). Прогнозирование сезонных временных рядов прибыли корпораций: к сведению. Решение наук, 21 (4), 888-896.

Цзян, J. J., Чжун, М.,

Судья Г. Г. Хилл, RC, Гриффитс, WE, Lutkepohl, H.,

Kaparthi, S.,

Khurana, И. К.,

Ким, Е. Ким, В.,

Лоуренс, Д. Б.,

Ленард, М. J., Алам, П.,

Лев, B.,

Лобо, Г. J.,

Лорек, К. С.,

Нат, Р., Раджагопалан, B.,

Ou, J. А.,

Papatla П., Захеди, М. Ф.,

Парк, К. В.,

Пенман, С. H. (1992). Возвращение к основам. Журнал учета, аудита и финансов, 7 (Fall), 465-483.

Piotroski, J. D. (2000). Соотношение инвестиций: использование исторической финансовой информации, заявления отдельных победителей от побежденных. Журнал учета исследований, 38 (Дополнение), 1-41.

Ци, M. (1999). Нелинейные предсказуемости доходности акций с использованием финансовых и экономических показателей. Журнал Бизнес и экономической статистики, 17 (4), 419-429.

Ци, M. (2001). Прогнозирование США спад с ведущими показателями по модели нейронной сети. Международный журнал по прогнозированию, 17 (3), 383-401.

Schuh, S.,

Slovic П., Fleissner Д.,

Спенглер, В. Е. мая, J. H.,

Свонсон, Э. П., Rees, L.,

Там, К. Ю.,

Tkacz, G. (2001). Нейронные сети прогнозирования канадских роста ВВП. Международный журнал по прогнозированию, 17 (1), 57-69.

Цай, К. Ю. (2000). Итерационный алгоритм сокращения особенность вероятностных нейронных сетей. Omega, 28 (5), 513-524.

Уоттс, Р. (1975). Поведения временных рядов квартальных доходов. Неопубликованный документ, Университет Нью-Касл.

Уоттс, Р. Л.,

Уэст П., Брокетт, П. Л.,

Уильямс, П. А. (1995). Поисках лучшей рынке ожидания модели заработка. Журнал учета литературы, 14 (1), 140-168.

Уильямс, Т. П. (2002). Прогнозирование завершила проект стоимости с использованием данных торгов. Строительство управления и экономики, 20 (3), 225-235.

Zhang, Г. П., Patuwo, Б. Е.,

Zhu, H., Белинг, П. А.,

Zhu Д., Premkumar Г. Чжан, X.,

Вэй Чжан

Школа бизнеса Университета Кларксона, Потсдам, NY 13699, адрес электронной почты: <a href="mailto:weizhang@clarkson.edu"> weizhang@clarkson.edu </ A>

Цао Цин

Университет Миссури-Канзас-Сити, Генри В. Блоха Школа бизнеса и государственного управления, 5100 Рокхилл Rd., Kansas City, MO 64110-2499, адрес электронной почты: <a href="mailto:caoq@umkc.edu"> caoq @ umkc.edu </ A>

Марка J. Schniederjans [кинжал]

Университет Небраска-Линкольн, Колледж делового администрирования, Линкольн, Н. 68588-0491, адрес электронной почты: <a href="mailto:Mschniederjans1@unl.edu"> Mschniederjans1@unl.edu </ A>

[Кинжал] корреспондент автора.

Чжан Вэй доцент кафедры бухгалтерского учета в бизнес-школе Университета Кларксона. Она получила степень доктора философии Колледжа делового администрирования в Университете штата Небраска-Линкольн. Она опубликована в журналах, таких как журнал учета, отчетность

Цин САО доцент кафедры информационных систем управления в HW Блоха школа бизнеса

Марка J. Schniederjans является Баттей C. Уитон, почетный профессор бизнеса в Колледж управления бизнесом в университете штата Небраска-Линкольн. Его исследовательские интересы лежат в операциях, управление информационными системами, а также решение наук. Он работал в качестве редактора журнала, и об обзоре редакционной или консультативные советы более чем 30 журналов. Он является автором или соавтором 14 книг в области управления в том числе информации об инвестициях в технологии: принятие решений Методология электронной коммерции и управления операциями. Его исследования появились в таких журналах, как исследование операций, Decision Sciences, Сообщения ACM, производства и оперативного управления Journal, Европейский журнал исследования операций, журнал Оперативного исследовательское общество, Международный журнал по производству исследований, Международный научный журнал "Экономика производства, Системы поддержки принятия решений, интерфейсы, IEEE Transactions по технике управления, журнал техники и технологии управления, информации и управления, журнал Medical Systems, обработки и управления информацией, а также компьютеры и исследование операций.