LSTM循环神经网络与企业盈利预测研究.pdf
本文研究了LSTM循环神经网络在企业盈利预测方面的应用，并与分析师的预测结果进行了对比。结果表明，LSTM模型的平均正确率为86.60%，比分析师预测的平均正确率高13.52%，且LSTM模型的结果不存在厚尾现象，其峰度明显高于分析师预测结果，且方差显著低于分析师预测结果。这说明了LSTM模型在企业盈利预测方面的实用性。
在人工智能蓬勃发展的时代背景下，机器学习算法正在改变我们的工作与生活。如何将机器学习的算法与学习工作相结合，越来越受到各行各业的关注。尤其在金融、会计、审计等领域，由于有大量历史数据的沉淀，使得机器学习与这些领域的结合成为必然。
LSTM模型是循环神经网络家族中的一员，对循环神经网络最直观的解释是其内部拓扑结构中至少有一个环凶。LSTM是由Hochreiter和Schmidhuber提出的，并且在之后 得到了长足的发展。该模型是专门为长序列的学习设计的，它能克服RNN的很多缺点，比如梯度爆炸或消失等。LSTM模型不仅拥有神经网络捕捉非线性信息的优点，而且在序列到序列的预测与识别任务中也具有一定的优势。
本文采用LSTM神经网络模型进行盈利预测，并与分析师盈利预测进行对比，论证采用LSTM进行预测的意义。本文的目的旨在提出一种提高会计信息有用性的方案，为包括分析师在内的会计信息使用者丰富辅助决策的思路。
实验设计中，我们使用LSTM模型输入历史数据后对企业的营业收入做预测，并与分析师的预测结果作对比。采用的历史数据是剔除了沪深300中2015年后上市的样本企业的数据，最终剩下224个样本企业，预测的营业收入为2017年12月31日各个样本企业的营业收入。
历史数据的组成可以分为在t时刻主要来自资产负债表、利润表、现金流量表的15个维度的数据作为输入，t+1时刻的营业利润作为输出。将数据划分为训练集与测试集后，用训练集的数据进行模型的拟合以及权值矩阵和偏置值矩阵的生成，再用验证集的数据对模型性能进行检验并最终输出预测值。
描述性统计中，我们主要从资产负债表、利润表、现金流量表中选取输入变量，包括上市公司基本情况、财务指标、资产负债表、利润表、现金流量表等。结果表明，LSTM模型在企业盈利预测方面具有实用性，可以辅助包括分析师在内的投资者进行决策。
本文研究了LSTM循环神经网络在企业盈利预测方面的应用，并与分析师的预测结果进行了对比。结果表明，LSTM模型在企业盈利预测方面具有实用性，可以辅助包括分析师在内的投资者进行决策。这说明了人工智能模型应用在财务预测方面的现实意义。
