Lineares Regressions-Rest-Nettoeinkommen
factor.formula
in:
- :
repräsentiert das i-te Quartal, wobei i vom letzten Quartal (t) bis zu N Quartalen zurückreicht, d.h. i = t, t-1, t-2 ... t-N+1
- :
Gibt die Anzahl der letzten Quartale an, die für die Regressionsanalyse verwendet werden. Der Standardwert ist 8 und kann je nach den tatsächlichen Bedingungen angepasst werden.
- :
Stellt das den Anteilseignern des Mutterunternehmens zuzurechnende Nettoeinkommen im i-ten Quartal dar. Diese Daten müssen durch Z-Score normalisiert werden, um die Unterschiede in Dimensionen und Verteilung zu eliminieren.
- :
Stellt die nicht-operativen Erträge des i-ten Quartals dar. Diese Daten müssen durch Z-Score normalisiert werden, um die Dimensions- und Verteilungsunterschiede zu eliminieren.
- :
Stellt die an Mitarbeiter gezahlten Gelder im i-ten Quartal dar. Diese Daten müssen durch Z-Score normalisiert werden, um Dimensions- und Verteilungsunterschiede zu eliminieren.
- :
Der Achsenabschnittsterm des Regressionsmodells gibt den Erwartungswert der abhängigen Variablen an, wenn die unabhängige Variable 0 ist. Er wird nicht direkt bei der Faktorberechnung verwendet, sondern nur für die Konstruktion des Regressionsmodells.
- :
Der Koeffizient des nicht-operativen Ertrags im Regressionsmodell gibt die Auswirkung jeder Einheitänderung des nicht-operativen Ertrags auf das Nettoeinkommen an, wenn andere Faktoren unverändert bleiben.
- :
Der Koeffizient der an Mitarbeiter gezahlten Gelder im Regressionsmodell gibt die Auswirkung jeder Einheitänderung der an Mitarbeiter gezahlten Gelder auf das Nettoeinkommen an, vorausgesetzt, andere Faktoren bleiben unverändert.
- :
Stellt den Restterm der Regression im i-ten Quartal dar und spiegelt den Teil des Nettoeinkommens wider, der nicht durch nicht-operative Erträge und an Mitarbeiter gezahlte Gelder erklärt wird, d. h. das bereinigte Nettoeinkommen der aktuellen Periode. Der Wert dieses Faktors ist der Restterm, der dem letzten Quartal (t) entspricht, bezeichnet als $\epsilon_0$
factor.explanation
Finanzdaten enthalten sowohl effektive Informationen, die zukünftige Aktienkurse vorhersagen können, als auch Rauschen, das keine Vorhersagekraft für Aktienkurse hat. Die Verbesserung des Signal-Rausch-Verhältnisses von Daten ist der Schlüssel zur Konstruktion effektiver Faktoren. Das Nettoeinkommen wird von vielen Faktoren beeinflusst, von denen einige möglicherweise nur schwach mit den Kerngeschäftsfähigkeiten des Unternehmens zusammenhängen, wie z. B. nicht-operative Erträge und an Mitarbeiter gezahlte Gelder. Dieser Faktor zielt darauf ab, diese Rauschen durch lineare Regression zu eliminieren und dadurch die Vorhersagekraft des Nettoeinkommens zu verbessern. Insbesondere versuchen wir durch das Regressionsmodell, den Teil des Nettoeinkommens zu finden, der durch nicht-operative Erträge und an Mitarbeiter gezahlte Geldflüsse erklärt werden kann, und behandeln ihn als Rauscheliminierung. Das verbleibende Residuum wird als Signal betrachtet, das stärker mit der Kernrentabilität des Unternehmens zusammenhängt. Daher wird dieser Faktor als "Lineares Regressions-Rest-Nettoeinkommen" bezeichnet. Durch diese Methode kann ein reineres Nettoeinkommenssignal gewonnen werden, wodurch die Effektivität der Faktorauswahl verbessert wird. Die Z-Score-Standardisierung verarbeitet alle Variablen vor der Regression, um die Unterschiede in Dimensionen und Verteilung zwischen verschiedenen Variablen zu eliminieren, wodurch die Regressionsanalyse vernünftiger und zuverlässiger wird.