Laba Bersih Residu Regresi Linear
factor.formula
dalam:
- :
mewakili kuartal ke-i, di mana i dimulai dari kuartal terbaru (t) mundur hingga N kuartal sebelumnya, yaitu i = t, t-1, t-2 ... t-N+1
- :
Menunjukkan jumlah kuartal terakhir yang digunakan untuk analisis regresi. Nilai default adalah 8 dan dapat disesuaikan sesuai dengan kondisi aktual.
- :
Mewakili laba bersih yang diatribusikan kepada perusahaan induk pada kuartal ke-i. Data ini perlu dinormalisasi dengan Z-score untuk menghilangkan perbedaan dimensi dan distribusi.
- :
Mewakili pendapatan non-operasional pada kuartal ke-i. Data ini perlu dinormalisasi dengan Z-score untuk menghilangkan perbedaan dimensi dan distribusi.
- :
Mewakili kas yang dibayarkan kepada dan untuk karyawan pada kuartal ke-i. Data ini perlu dinormalisasi dengan Z-score untuk menghilangkan perbedaan dimensi dan distribusi.
- :
Suku intersep dari model regresi menunjukkan nilai harapan dari variabel dependen ketika variabel independen adalah 0. Tidak digunakan secara langsung dalam perhitungan faktor dan hanya digunakan untuk konstruksi model regresi.
- :
Koefisien pendapatan non-operasional dalam model regresi menunjukkan dampak setiap perubahan unit dalam pendapatan non-operasional terhadap laba bersih ketika faktor lain tetap tidak berubah.
- :
Koefisien kas yang dibayarkan kepada dan untuk karyawan dalam model regresi menunjukkan dampak setiap perubahan unit dalam kas yang dibayarkan kepada dan untuk karyawan terhadap laba bersih, dengan asumsi faktor lain tetap tidak berubah.
- :
Mewakili suku residu dari regresi pada kuartal ke-i, mencerminkan bagian dari laba bersih yang tidak dijelaskan oleh pendapatan non-operasional dan kas yang dibayarkan kepada dan untuk karyawan, yaitu laba bersih yang dimurnikan dari periode saat ini. Nilai faktor ini adalah residu yang sesuai dengan kuartal terbaru (t), dilambangkan sebagai $\epsilon_0$
factor.explanation
Data keuangan mengandung informasi efektif yang dapat memprediksi harga saham di masa depan dan juga noise yang tidak memiliki kekuatan prediktif terhadap harga saham. Meningkatkan rasio sinyal terhadap noise pada data adalah kunci untuk membangun faktor-faktor yang efektif. Laba bersih dipengaruhi oleh banyak faktor, beberapa di antaranya mungkin memiliki hubungan yang lemah dengan kemampuan operasional inti perusahaan, seperti pendapatan non-operasional dan kas yang dibayarkan kepada karyawan. Faktor ini bertujuan untuk menghilangkan noise ini melalui regresi linear, sehingga meningkatkan kekuatan prediktif laba bersih. Secara khusus, melalui model regresi, kami mencoba menemukan bagian dari laba bersih yang dapat dijelaskan oleh pendapatan non-operasional dan arus kas yang dibayarkan kepada karyawan, dan memperlakukannya sebagai eliminasi noise. Sisa residu dianggap sebagai sinyal yang lebih terkait dengan profitabilitas inti perusahaan. Oleh karena itu, faktor ini dinamakan "Laba Bersih Residu Regresi Linear". Melalui metode ini, sinyal laba bersih yang lebih murni dapat diperoleh, sehingga meningkatkan efektivitas pemilihan saham berdasarkan faktor. Standardisasi Z-score memproses semua variabel sebelum regresi untuk menghilangkan perbedaan dimensi dan distribusi antar variabel yang berbeda, menjadikan analisis regresi lebih masuk akal dan andal.