中小企业和大型企业财务绩效管理的预测人工智能

Sep, 2023

中小企业和大型企业财务绩效管理的预测人工智能

Predictive AI for SME and Large Enterprise Financial Performance Management

Ricardo Cuervo

TL;DR提供新的金融和宏观经济比率以及监督学习模型（ML 回归器和神经网络）和贝叶斯模型预测公司绩效，并发现这些新的变量与行业标准比率结合使用可以提高模型准确性。Feedforward 神经网络（FNN）在 6 个预测任务中（ROA、ROE、净利润率、经营利润率、现金比率和经营现金生成）中实施更简单且表现最好，并且贝叶斯网络（BN）在特定条件下可以胜过 FNN，并且 BN 还能提供概率密度函数以及预测的价值。该研究对于 CFO 和 CEO 评估财务不佳的风险以引导公司朝更有利可图的方向发展，支持债权人更好评估公司情况，并为投资者提供更准确地分析上市公司财务报表的工具具有重要的潜力。

Abstract

financial performance management is at the core of business management and has historically relied on financial ratio analysis using Balance Sheet and Income Statement data to assess company performance as compar

financial performance management financial ratio analysis supervised learning models neural networks predictive tasks

发现论文，激发创造

通过预测公司基本面来改进基于因子的量化投资

本文研究公司的财务健康状况，探究一些因素以预测它们的财务数据，并使用深度神经网络进行预测，结果表明，相对标准因素模型，我们的模型具有更高的年度复合收益率。

Nov, 2017

深度学习在资产管理中的因子择时应用

该论文研究了回归模型（OLS 线性回归、Ridge 回归、随机森林和全连接神经网络）在 CMA（保守与激进）因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能，回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而，对于神经网络等灵活模型，其预测基于的最优权重往往不稳定，这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。

Apr, 2024

使用循环神经网络进行收益预测

该研究使用四十年的财务数据，开发了一个神经网络模型来预测未来的公司收益，解决了财务分析师的覆盖不足和偏见估计问题，并超过了学术界的基准模型以及对于财年收益预测的分析师预测。

Nov, 2023

多策略文本处理在金融数据分析应用中的应用

本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。

Apr, 2022

噪音金融数据的保守预测

金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。

Oct, 2023

基于注意力机制循环神经网络的金融新闻股票趋势预测

使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

Nov, 2018

AlphaFin: 用检索增强的股票链框架进行金融分析基准测试

通过 AlphaFin 数据集和 Stock-Chain 方法，有效地解决了金融分析中的挑战，提供了可解释性的股票趋势预测和金融问答的综合框架。

Mar, 2024

基于文本的金融预测模型一致性测量

该研究旨在利用自然语言处理技术，设计并提供一种基于逻辑一致性的财务文本评估工具 ——FinTrust，分析现有的 NLP 模型对于历史市场信息的预测一致性较差，表明目前的基于文本的方式无法可靠地进行金融预测。

May, 2023

财务报表的数值推理

财务报告通过分析公司的运营情况提供重要见解，但通常长度过长，约 30 至 40 页，对于动态市场的快速决策提出了挑战。为解决这个问题，我们利用经过微调的大型语言模型（LLM）从用户提出的问题中提炼关键指标和运营指标。我们设计了一种定位关键数据的方法，并利用 FinQA 数据集对 Llama-2 7B 和 T5 模型进行微调，以进行定制化问答。在最终的数值回答上取得了与基准相当的结果，在数值推理和计算上具有竞争力的准确性。

Dec, 2023

金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

Dec, 2023