• 系统架构与数据处理流程 [page::7]

- 数据采集：自动爬取不同格式的半结构化财报数据（HTML/PDF/Excel）
- 数据清洗：标准化、格式映射，存储为JSON格式
- 特征构建和模型训练：基于金融比率、市场交易特征和宏观变量
- 资产配置：结合模型预测，动态分配股票、债券和商品资产

• 多类别特征体系构建 [page::8][page::9][page::10][page::11]

| 特征类别 | 关键指标示例 | 比例占比 |
|------------|--------------------------------------------------|--------|
| 财务比率 | 毛利增长率、营收增长率、资产负债率、净资产收益率ROE | 61% |
| 股票类型 | 行业类别、活动类型（生产型或非生产型） | 8% |
| 交易特征 | 月均价格波动率、平均日收益、买卖力量比 | 13% |
| 宏观经济指标 | 政府债券收益率、美元兑里亚尔汇率、市场指数回报、黄金价格回报 | 18% |

- 图2显示特征分布，强调财务比率为核心驱动因子

• 预测模型与数据集 [page::12][page::13]

- 利用人工神经网络：1隐层100神经元，Adam优化器，二分类（股价涨幅是否超越固定收益ETF）
- 413只德黑兰证券交易所股票，覆盖2015-2024年
- 分训练集75%，测试集25%，纳入报表发布时间滞后模拟真实环境
- 行业及市值分布详见图3和图4

• 模型性能及比较 [page::14][page::15]

- 多时间周期预测准确率优于三大基线模型及五种传统机器学习方法
- 平均测试准确率达到70%，超过基线最高62%
- 组合回测显示3个月持仓回报明显优于基线方法

• 市场趋势预测与资产配置策略 [page::16][page::17][page::18]

- 通过加权股票个股上涨概率预测整体市场走势，判断市场回报是否超过固定收益ETF
- 资产配置分两档：市场上涨概率高于50%时，股票比例70%，债券10%，黄金20%；低于50%时，股票比例10%，债券70%，黄金20%
- 策略在高通胀环境中实现了显著的名义与真实收益提升，风险控制有效

• 策略收益表现 [page::19][page::20]

• 关键创新点总结 [page::1][page::18][page::21]

- 端到端系统涵盖数据抓取到资产配置全流程，解决财报格式异构性和时序延迟问题
- 集成公司财务、市场行为和宏观经济变量，特征多维且准确
- 以高通胀市场为背景，采用相对收益二分类任务，提高实用性
- 可实时辅助投资者预测股票走势和动态调整多资产投资组合

报告标题及元数据概览

标题： A Decision Support System for Stock Selection and Asset Allocation Based on Fundamental Data Analysis
作者： Ali Abrishami、Jafar Habibi、AmirAli Jarrahi、Dariush Amiri、Mohammadamin Fazli
机构： Sharif University of Technology（计算机工程系）、Tehran Institute for Advanced Studies, University of Khatam
发布日期： 2024年12月10日
主题： 基于基本面数据分析的股票选择及资产配置决策支持系统

该论文提出了一个端到端的决策支持系统（DSS），围绕基本面数据分析，结合国家宏观经济条件，通过机器学习模型预测股票的中长期回报，并辅助投资者进行资产配置决策。系统针对投资者（非短线交易者），提供多维度特征融合和资产配置策略制定，且在具有高通胀率和中小型经济特征的德黑兰证券交易所（TSE）数据上验证了系统优越性，提供了对股市、债券和商品市场资产配置的动态建议。[page::0,1]

---

报告章节逐节详尽解读

1. 摘要（Abstract）

摘要概述了金融市场预测的复杂性，介绍了该研究构建的决策支持系统涵盖数据采集、清洗和建模全流程。系统基于基本面数据，结合经济环境特征，构建股票回报预测模型，目标投向中长线投资者。创新点包括：

• (1) 针对投资者定制的中长期收益预测模型；

- (2) 集成财务基础、交易特征及宏观经济属性等多类别特征提升预测准确性；

• (3) 应用及验证于德黑兰证券交易所的高通胀小中型经济体；

- (4) 模拟专家决策生成多场景资产配置策略。[page::1]

---

2. 引言（Introduction）

引言阐述资本市场（股市、债市）在推动经济增长和资产保值、增值中的关键角色，并强调通胀环境下配置商品（如黄金）的重要性作为分散风险的工具。介绍资产配置理念：通过分散投资降低风险，优化回报，实现资产类别、市场与投资期限的多层次分散。
引入股市预测的技术分析与基本面分析两大派别，指出技术分析因数据易得而受欢迎，但基本面分析因数据复杂性应用较少但效果更佳。研究采用基本面财务比率和宏观经济指标构建模型，旨在模拟专业投资者的决策逻辑，并包含多资产配置考量，突出债券和商品市场的风险分散作用。[page::2]

---

3. 文献综述（Literature Review）

3.1 股票市场预测

综述股票市场基础理论（Fama有效市场假说、Graham安全分析等）及最新基于机器学习的研究。特征划分为技术指标、宏观指标和基本面指标，并覆盖各大洲不同国家市场的相关工作。

3.2 金融决策支持系统

回顾DSS在金融领域的应用，包括基于定量、定性数据的买卖决策系统，集成价格预测、选股及组合优化的复合系统，强调交互式多层次决策支持。

3.3 技术分析

总结技术分析传统使用的OHLC价格数据及技术指标（SMA, RSI, MACD等），深度学习模型（如LSTM、DenseNet）在该范式中的应用及表现。

3.4 基本面分析

分析基于财务报表和比率的基本面方法，强调财务比率（ROA、ROE等）在预测中的核心作用，以及相关国家市场案例研究。此外指出，基本面分析具有数据获取、清洗难度大等挑战。

3.5 技术分析与基本面分析对比

• 基于Fama理论，弱势有效市场中技术分析无效。

- 基本面分析研究较少，具有高研究潜力。

• 长期来看，股价由企业经营绩效驱动。

- 业界顶尖价值投资者首选基本面分析。[page::3,4,5]

---

4. 决策支持系统架构（Decision support system architecture）

提出针对基本面数据复杂性的五阶段流水线架构：

1. 数据采集：通过爬虫技术持续下载公司财务报告公告，原始文件以HTML形式存储。

2. 数据清洗：处理半结构化文本及表格数据进行格式统一与正规化，存为JSON格式。

1. 数据加载：合并多期季度报告，加快处理速度，构成缓存。

4. 股票建模：基于多类型特征训练机器学习模型预测股票未来收益。

1. 资产配置：利用预测模型输出，设计不同市场的资金分配策略。

架构具备模块独立存储与运行能力，灵活应对不同行业和报告格式差异。[page::5,6,7]

---

5. 股票预测方法（Stock prediction method）

5.1 特征构建

特征集合包括以下四大类：

• 财务比率特征（表1）：共23个关键比率，如债务权益比率、毛利率、净利率、存货周转率、收益增长率等，涵盖了CANSLIM方法中的重要指标，例如“毛利润增长”、“收入增长”。

- 股票类型特征（表2）：行业类别、交易所、公司活动类型（生产或其他），加强行业内差异化建模。

• 股票交易特征（表3）：包括月度平均波动率、平均日收益、交易量、买卖力量比率、持股变动情况等，反映投资者市场行为。

- 宏观经济特征（表4）：政府债券回报率、美元兑里亚尔汇率及其回报、市场指数值与收益、黄金现货收益等，突出宏经济环境影响。

图2展示特征类别占比：财务比率占61%，宏观约18%，交易13%，行业8%[page::8,9,10,11]

5.2 问题形式化

总体目标是基于过去财务和交易情况预测股票未来若干月的预期回报，区别于一般回归或涨跌分类，创新在于比较预测股票收益是否高于固定收益ETF收益（代表低风险环境），构成二分类问题，使模型直接服务于套利固定收益的投资决策。公式1给出月度收益计算方式。

5.3 预测模型

采用人工神经网络（ANN），结构包括单隐层100个神经元，使用Adam优化器和二进制交叉熵损失函数，训练50轮，批次大小32。输出为股票收益高于固定收益ETF的概率。数据标准化处理以促进收敛。

5.4 数据集

基于德黑兰证券交易所413只股票，覆盖2015年至2024年，考虑报告发布时间滞后一个月。75%时间序列最早数据作为训练，剩余25%作为测试。附图3和4展示行业和市值分布，反映股票的多样性。[page::12,13]

5.5 结果分析

与三大基线研究（Tsai等、Abe等、Arkan等）及五大经典机器学习模型（SVM、随机森林、决策树、KNN、逻辑回归）进行比较，涵盖1、2、3、4、5、6、9、12个月等多种预测期。表5显示拟议方法整体准确度领先，特别在3-5个月预测期表现显著，且测试集平均准确率达70%，比基线高出8-20个百分点（表6）。
优势原因归结为：

• 多样化特征覆盖市场及宏观因素，

- 充足数据样本跨不同时期和行业，

• 问题设计贴合现实固定收益对比。

图5和6进一步展示基于预测排名选取高回报股票组合的季度回报和累计回报，拟议方法大幅领先基线，表现出更优的资产增长能力。[page::14,15]

---

6. 资产配置策略（Asset Allocation Strategy）

6.1 股市走势预测

借助股票个股收益超越固定收益概率及市值加权公式，计算整个市场当期的超额收益概率，形成整体市场趋势预测。图7展示测试期内预测概率走势与实际市场指数表现吻合良好，具备辅助投资决策的参考价值。[page::16,17]

6.2 不同市场的资产配置

核心资产包括股票、债券（通过固定收益ETF体现长期稳定回报）和黄金（抗通胀且与股票债券低相关性，作为避险资产）。设计两套资产权重方案（表7）分别对应市场增长概率超过50%和不足50%的情景：

| 资产类型 | 说明 | 情景1（增长概率>50%） | 情景2（增长概率<50%） |
| --- | --- | --- | --- |
| 黄金 | 黄金ETF | 20% | 20% |
| 债券 | 固定收益ETF | 10% | 70% |
| 股票 | 市场指数ETF | 70% | 10% |

这套策略结合了动态调整，根据市场趋势灵活调仓，兼顾收益与风险，特别适合高通胀波动市场。
图8、9分别展现名义和实际收益中的季度回报情况，图10、11显示累计收益，均表明拟议策略优于基准指数和其他方法，且通胀调整后依然稳健。
实证说明激活的组合管理和恰当时机的资产再平衡是关键成功要素。[page::18,19,20]

---

7. 结论（Conclusion）

论文总结了基于基本面数据构建的股票回报预测与资产配置DSS的设计与效果。重点强调：

• 基本面数据分析虽复杂，但能实现精确的股票回报建模，特别是在高通胀环境下相较于其他基本面研究有一定领先性。

- 系统涵盖数据采集、清洗、融合、建模和策略制定全流程，特征集丰富多元，覆盖公司财务、行业属性、交易行为及宏观经济元素。

• 提供动态资产配置策略，结合债券和黄金实现风险对冲与收益平衡，适应经济周期变动。

- 应用前景广泛，支持个人及机构实时投资决策，亦为未来结合风险偏好、引入更多资产类别和拓展到其他市场奠定了基础。

整体结论证明以全面基本面数据驱动的决策支持系统能显著提升股市回报预测准确性并有效指导多市场资产配置决策。[page::20,21]

---

关键图表详解

图1：系统架构示意图

描绘系统五大步骤流水线结构：数据采集 -> 数据清洗 -> 数据加载 -> 股票建模 -> 资产配置。
清晰呈现数据从爬取原始报告到经过清洗存储为JSON，再到特征构建和模型训练，最终输出资产组合配置建议的过程。图中也形象表示了输入多种资产类型（ETF、债券、股票）以形成最终投资组合。[page::7]



---

表1-4：特征汇总

• 表1: 23个核心财务比率，涵盖偿债能力、盈利能力、运营效率及增长能力指标，数据来源财务报表。

- 表2: 股票所属行业、交易所和公司类型，反映行业差异性。

• 表3: 市场交易行为指标，反映投资者活跃度和资金流向。

- 表4: 宏观经济指标，包括利率、汇率、市场指数和黄金价格等，体现宏观经济对股市的影响。

这些特征相互补充，形成多层次股票表现分析维度。[page::8,9,10]

---

图2：特征类别分布饼图

财务比率占据绝对主导61%，之后依次是宏观与市场18%、股票交易13%、股票类型8%。说明本系统基于财务绩效的深度分析，同时辅以市场和宏观数据，提升模型的整体预测能力。[page::11]



---

图3-4：行业及市值分布

• 图3显示股票符号中不同行业占比，医药（11.3%）、基础金属（10.1%）、食品饮料（9.8%）等为主导行业。

- 图4呈现行业市值分布，基础金属（28.9%）、化工（18.2%）、石化能源（17.6%）集中度更高。
这些分布反映了资本市场中行业结构差异，模型需兼顾行业特性。[page::13]





---

表5-6：预测准确度对比

• 表5按月份显示多模型准确率，其中本文方法3-5个月期准确率均超过73%，显著高于所有基线模型，均值远超传统机器学习。

- 表6总结平均训练及测试准确度，测试集达70%，基线最低50%。
论证丰富多样特征及分类式对比固定收益ETF收益的方案有效提升模型泛化能力。[page::14]

---

图5-6：策略回报表现

• 图5显示各方法在不同3个月周期内的投资回报，本文方法多数周期收益显著优于基线，杜绝了大额亏损。

- 图6累计收益图进一步凸显持续领先优势，累计回报超过200%，远超基准方案。
充分体现模型在实际投资组合筛选中价值。[page::15]





---

图7：市场整体趋势预测

基于个股加权概率计算市场上涨概率，图7展示预测值与真实市场指数走势匹配密切，验证模型整合宏观与个股基本面表现预测市场总体趋势的有效性，能辅助投资策略制定。[page::17]



---

表7：资产配置方案

对比两大市场条件下，黄金固定配置20%，股票与债券按照市场涨跌概率在70%-10%间切换，实现风险收益平衡。此策略典型地融合避险与增值资产，契合机构与个人投资者动态需求。[page::18]

---

图8-9：策略名义与实际季度回报

不同资产及策略在不同季度表现，拟议方法多次实现领先回报，名义收益与剔除通胀影响的实际收益均保持优势，反映良好的风险调整后收益能力。[page::19]





---

图10-11：累计收益表现

拟议策略累计收益稳定攀升，明显优于市场指数、等权重指数和基线模型，真正体现了动态资产配置和基本面驱动模型的价值，尤其在高通胀环境中增强资本保值和增值能力。[page::20]





---

估值分析

本研究未涉及传统估值模型（如DCF、PE、EV/EBITDA等）计算目标价格，而是侧重于股票未来超额收益概率预测，属于分类预测范畴。资产配置策略基于预测结果概率做资金分配，故主要价值在于模型准确性与策略动态调整，而非单纯估值倍数或现金流模型。该方法避免了传统估值模型参数假设过多、数据需求大的问题，更适合通胀及宏观波动剧烈的新兴市场环境。[page::整体内容]

---

风险因素评估

报告中隐含风险及挑战包括：

• 数据质量风险：财务报表格式多变且半结构化，导致数据爬取及清洗压力大。

- 模型过拟合风险：尽管训练集准确度达88%，但测试效果下降仍需防范过拟合。

• 市场环境变化风险：系统在高通胀环境中表现最佳，宏观环境变化可能影响模型适用性。

- 延迟发布风险：财报发布时间滞后一个月，模型需包含延迟因素以保证实时性。

• 地理/市场适用性风险：系统基于德黑兰证券交易所数据，推广至其他市场需调整。

虽未呈现详细风险缓解策略，系统设计强调流水线模块化及数据缓存机制，预设数据质量控制基础。[page::5,12,20]

---

批判性视角与细微差别

• 观点明确且实证充分，坚持基本面分析优于技术分析的理论，并结合机器学习实现。

- 研究局限于德黑兰证券交易所，受地域、市场规模、经济特殊性限制，结果是否具备普适性尚需进一步验证。

• 采用单隐层神经网络，可能限制模型复杂性，未来可尝试更深层或集成学习提升性能。

- 报告中特征公式部分（表1）存在部分文字错乱，需修正保证公式准确无误，以利复现。

• 虽论述资产配置合理，但缺少市场风险动态反应策略（如风险预算或波动率调整）。

- 对模型对抗市场异常冲击（如黑天鹅事件）缺乏讨论。

• 持续学习与模型更新机制未提及，考虑金融市场变化快速，系统实用性可进一步增强。 [page::8]

---

结论性综合

该论文提出并验证了一个基于基本面财务数据、宏观经济指标和交易行为多源数据融合，服务于中长期投资者的股票收益预测及资产配置决策支持系统。基于德黑兰证券交易所数据，系统利用人工神经网络分类模型，判断股票回报相较于固定收益ETF的超额收益概率，从而辅导资产配置分布于股票、债券与黄金市场。通过细致的特征工程，包括23个财务指标、行业属性、交易特征和宏观经济数据，赋能模型对复杂市场状况的响应能力。实证检验显示模型在1-12个月不同预测周期均优于多种基线和传统机器学习算法，特别表现在3-5个月期，准确率约70%。基于股票组合构建的投资策略累计收益高达200%以上，说明实际投资参考价值。资产配置层面，以市场整体涨幅概率>50%为界，动态调整股票/债券比重及固定20%黄金避险，展现了强有力的风险控制和收益提升能力。报告结合高通胀和新兴市场环境，系统设计科学且易扩展。然而，需解决数据更新滞后、模型复杂度受限和风险应对策略缺失等潜在问题，对其他市场的适用性仍需进一步探索。总体而言，该研究对金融领域决策支持系统发展提供有益启示和实践路径。[page::1-21]

---

如需进一步针对某部分内容加深解析或结合具体数据图表进行细节讲解，请告知。

报告