Earnings prediction using machine learning methods and analyst comparison

Resumo

No decorrer desta dissertação, realiza-se um estudo experimental sobre a forma como
análises técnicas, macroeconómicas, fundamentais e as previsões dos analistas podem ser utilizadas em conjunto para otimizar a previsão dos resultados de lucros do próximo
trimestre de empresas A dissertação inclui três etapas. Na primeira etapa, é efetuado um
estudo de evento para testar os retornos anormais nas ações no dia seguinte aos anúncios de lucros, sendo estes agrupados pelo crescimento do lucro por ação nas classes de 3, 6 e 9, calculado para cada trimestre. Na etapa dois, vários modelos de machine learning (ML) são concebidos para maximizar a precisão das previsões de crescimento de lucros de empresas.
Na última etapa, estratégias de investimento são construídas para tirar proveito das
expectativas do investidor, que estão relacionadas com as previsões dos analistas. Uma vez
que um dos projetos de pesquisa mais exaustivos sobre previsões de lucros para o próximo
trimestre, conclusões podem ser retiradas relacionadas com a superioridade do modelo
CatBoost nas previsões de lucros. Todos os modelos de testados apresentam desempenho
inferior às previsões dos analistas, o que pode ser explicado pelo tempo e pelas informações
privilegiadas a que os analistas têm acesso, bem como pela escolha da empresa sob a qual
as suas previsões incidem. Os modelos de podem ser utilizados como uma confirmação para
as previsões dos analistas criando estratégias de investimento estatisticamente significativas.
Além disso, as previsões com alta confiança por modelos de são mais precisas do que a
precisão média das previsões dos analistas.

Data do prémio	24 jan. 2022
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Dan Tran (Supervisor)