






? Relative Valuation with Machine Learning
? 作者:Paul Geertsema;Helen Lu|奥克兰大学商学院
? 期刊:Journal of Accounting Research
? 摘要
?️相对估值是金融领域广泛采用的工具,常用于投资银行家公平意见、IPO估值和卖方分析师估值等。传统的相对估值方法通常依赖于有限的变量,并假设它们与估值倍数之间存在线性关系。然而,市场参与者使用大量复杂的非线性变量来进行企业价值评估。
?本文采用机器学习(GBM模型)来优化相对估值和同行公司选择,实验结果表明,机器学习模型相比传统模型在估值精度上有显著提升,且在不同类型的公司中均表现优秀。
? 研究设计
数据来源:使用1980年至2019年的美国上市公司数据,结合机器学习方法对相对估值进行分析。
研究方法:采用GBM模型对市场-账面比率、企业价值-资产比率和企业价值-销售比率进行估值预测,并与传统模型进行对比。
? 核心发现
1⃣ 机器学习模型提升估值准确性
机器学习模型在样本外测试中显著优于传统模型,能够生成更准确的估值。
2⃣ 高估值股票下跌,低估值股票上涨
机器学习模型生成的估值与基本面估值一致,高估值股票在下月价格下跌,低估值股票上涨。
3⃣ 基于机器学习的同行选择方法
机器学习模型通过预测的估值倍数,推导出加权平均的同行企业估值倍数,提供更为科学的同行选择标准。
? 创新与贡献
1⃣ 引入机器学习进行相对估值
本研究首次使用机器学习方法进行相对估值和同行选择,无需预先定义的理论模型,基于数据自动确定关键基本面因素。
2⃣ 提高估值精度
研究结果显示,机器学习方法能够通过复杂的非线性关系提供更高的估值精度,克服传统方法的局限性。
? 政策启示
⚠ 支持机器学习方法在金融实践中的应用
金融市场参与者应考虑引入先进的机器学习技术,以提升相对估值的准确性和同行选择的合理性。
✅ 优化同行选择机制
通过使用机器学习模型,进一步优化同行企业的选择方法,使其更为科学和客观。
? 机器学习在金融领域的应用前景
随着机器学习技术的发展,它在金融领域的应用将进一步改善估值模型,并为投资者提供更精准的市场分析工具。
?论文详细摘要见图
✨左滑关注CJAR,论文会议资讯抢先看,离学术前沿更进一步!
#机器学习#估值#社科#科研学习 #论文 #英文期刊 #学术 #论文分享 #文献 #论文写作 #会计#科研
? 作者:Paul Geertsema;Helen Lu|奥克兰大学商学院
? 期刊:Journal of Accounting Research
? 摘要
?️相对估值是金融领域广泛采用的工具,常用于投资银行家公平意见、IPO估值和卖方分析师估值等。传统的相对估值方法通常依赖于有限的变量,并假设它们与估值倍数之间存在线性关系。然而,市场参与者使用大量复杂的非线性变量来进行企业价值评估。
?本文采用机器学习(GBM模型)来优化相对估值和同行公司选择,实验结果表明,机器学习模型相比传统模型在估值精度上有显著提升,且在不同类型的公司中均表现优秀。
? 研究设计
数据来源:使用1980年至2019年的美国上市公司数据,结合机器学习方法对相对估值进行分析。
研究方法:采用GBM模型对市场-账面比率、企业价值-资产比率和企业价值-销售比率进行估值预测,并与传统模型进行对比。
? 核心发现
1⃣ 机器学习模型提升估值准确性
机器学习模型在样本外测试中显著优于传统模型,能够生成更准确的估值。
2⃣ 高估值股票下跌,低估值股票上涨
机器学习模型生成的估值与基本面估值一致,高估值股票在下月价格下跌,低估值股票上涨。
3⃣ 基于机器学习的同行选择方法
机器学习模型通过预测的估值倍数,推导出加权平均的同行企业估值倍数,提供更为科学的同行选择标准。
? 创新与贡献
1⃣ 引入机器学习进行相对估值
本研究首次使用机器学习方法进行相对估值和同行选择,无需预先定义的理论模型,基于数据自动确定关键基本面因素。
2⃣ 提高估值精度
研究结果显示,机器学习方法能够通过复杂的非线性关系提供更高的估值精度,克服传统方法的局限性。
? 政策启示
⚠ 支持机器学习方法在金融实践中的应用
金融市场参与者应考虑引入先进的机器学习技术,以提升相对估值的准确性和同行选择的合理性。
✅ 优化同行选择机制
通过使用机器学习模型,进一步优化同行企业的选择方法,使其更为科学和客观。
? 机器学习在金融领域的应用前景
随着机器学习技术的发展,它在金融领域的应用将进一步改善估值模型,并为投资者提供更精准的市场分析工具。
?论文详细摘要见图
✨左滑关注CJAR,论文会议资讯抢先看,离学术前沿更进一步!
#机器学习#估值#社科#科研学习 #论文 #英文期刊 #学术 #论文分享 #文献 #论文写作 #会计#科研


