《Engineering Applications of Artificial Intelligence》：Deep time-series methods to enhance company earnings prediction performance
编辑推荐：
准确预测上市公司的基本面指标，尤其是每股盈余（Earnings Per Share, EPS），是评估企业财务健康状况与投资潜力的关键步骤。EPS预测是一项重要任务，且与其他金融预测任务类似，也可受益于机器与深度学习方法。本研究提出两种基于深度学习的方法，利用
准确预测上市公司的基本面指标，尤其是每股盈余（Earnings Per Share, EPS），是评估企业财务健康状况与投资潜力的关键步骤。EPS预测是一项重要任务，且与其他金融预测任务类似，也可受益于机器与深度学习方法。本研究提出两种基于深度学习的方法，利用历史属性（含分析师预测值）预测企业EPS：1—EPS-ML（基于多频率长短期记忆网络（Multi-frequency Long Short Term Memory, LSTM）的EPS预测）；2—EPS-CL（基于卷积神经网络—长短期记忆网络（Convolutional Neural Network-Long Short Term Memory, CNN-LSTM）的EPS预测）。研究所用特征涵盖公开公司基本面及其他宏观金融指标（如通胀率）。多频率LSTM方案的动机在于其能高效融合不同时间频率信息；CNN-LSTM架构则结合了LSTM的序列建模能力与CNN对复杂数据模式更精准的特征提取能力。研究人员在标普500（S&P 500）流动性个股的EPS预测任务上评估所提方法。在不同场景与条件下，EPS-ML与EPS-CL在机器学习及金融评估指标上均优于所有对比方法（包括近期提出的基于Transformer的Informer与Autoformer，后者表现欠佳可能源于本研究所用较短输入窗口——仅四个季度）。结果在多种性能指标及各行业板块中保持一致。在不同窗口选取技术中，使用此前连续季度数据表现最佳。综上，研究人员认为该方法可通过生成更精准的EPS估计改进投资者与金融分析师的决策过程。据研究人员所知，基于时间序列深度学习技术的EPS预测此前尚未被深入研究。代码与数据集详见：https://github.com/seferlab/epspredict
论文解读：Deep Time-series Methods to Enhance Company Earnings Prediction Performance
本文发表于《Engineering Applications of Artificial Intelligence》。每股盈余（Earnings Per Share, EPS）是反映企业未来绩效并作为证券定价基础的核心基本面指标，准确预测EPS对上市公司费用管理及投资者提前布局获利均具重要意义。传统基本面分析依赖折现现金流（Discounted Cash Flow, DCF）模型并结合分析师主观判断，耗时费力且难以覆盖大量股票；已有统计或线性模型难以刻画金融数据受宏观经济影响产生的非线性复杂模式；近年Transformer类模型虽在时间序列预测表现优异，但在EPS预测特有的短时序窗口（通常仅数季度历史数据）、异质时间频率及强经济结构性特征下优势并不明显。为此，Ozbakir D等人开展本研究，提出两种面向EPS预测任务设计的深层时间序列模型——EPS-ML（多频率LSTM）与EPS-CL（CNN-LSTM），以融合多源财务比率、分析师一致预期（Analyst Estimates/Consensus）及市场宏观指标（如失业率、VIX波动率指数、通胀率、GDP、货币供应量等），并在S&P 500成分股实证表明所提方法优于传统机器学习、统计时序方法及Transformer类基线模型，对量化投资与基本面分析具实用价值。
研究人员采用的主要关键技术方法如下：研究数据取自WRDS（Wharton Research Data Services）中I/B/E/S库的S&P 500公司实际EPS与分析师季度EPS预测值，仅保留两者均覆盖的公司，多分析师预测取处理聚合值；缺失数据采用卷积稀疏张量补全（Convolutional Sparse Tensor Completion, CoSTCo）填补；构建两种深度学习架构——EPS-ML设独立分支分别处理年度低频（结构性）与季度高频（盈余驱动）动态再融合，EPS-CL先以按经济相关性排序的卷积层提取横截面财务变量局部模式再输入LSTM建模时序依赖；输入窗口对比中取过去连续4个季度效果最优；基线对照含Random Forest、XGBoost、Prophet、ARIMA、普通LSTM及Transformer系Informer与Autoformer；评估采用机器学习与金融指标双重体系，并按疫情前/疫情期间分段验证。
研究结果
Eps-ml : Multi-frequency LSTM（多频率LSTM）：EPS-ML通过解耦年度（低频，反映长期企业结构与盈利能力）与季度（高频，反映短期盈余波动）动态，分别经LSTM分支提取后融合预测EPS。研究人员指出该设计比简单拼接不同频率数据更贴合EPS的经济生成机制。
Details（实验设置）：模型用TensorFlow实现，实验平台为Intel Core i7–7700HQ、NVIDIA GTX 1060、16GB RAM。特征集整合公司基本面财务比率（P/E、ROE、D/E、资产周转率、股息率等）、分析师一致预期及宏观市场指标。
Combining multiple frequencies via EPS-ML predicts EPS the most accurately（多频率融合的EPS-ML预测EPS最准确）：分别在疫情前与疫情期间进行对比实验，EPS-ML与EPS-CL在MSE/RMSE等机器学习指标及金融误差度量上均显著优于Random Forest、XGBoost、Prophet、ARIMA、普通LSTM及Informer、Autoformer；其中EPS-ML在跨行业及较长时段评估中总体表现略优于EPS-CL。Transformer类模型在本研究短输入窗口（4季度）设定下未显现优势。连续前序季度窗口优于跳跃或混合窗口选取方式。
Discussion（讨论）：EPS-ML优于EPS-CL的主因在于其显式多频率动态建模更忠实反映长期企业绩效与短期盈余波动的差异；而CNN-LSTM的优势在于经经济相关性排序的卷积层可捕获财务变量间有意义横截面依赖而非任意局部模式。整体结果表明，针对短历史、具经济结构的EPS预测任务，将领域知识嵌入架构设计（任务感知模型设计，task-aware model design）比单纯引入更复杂通用架构更有效。
Conclusion（结论翻译）：预测企业未来盈利能力长期以来对投资者与企业均为难题，不准确预测可导致错失机会、错误投资及财务困境。本研究提出的方法通过应用深度学习方法——特别是LSTM模型、含卷积神经网络（CNN）与LSTM的混合模型（即多频率LSTM与CNN-LSTM）——提升了EPS预测精度。研究人员利用深度学习方法预测每股盈余（EPS），模型不依赖DCF等传统基本面方程，可短时间对多只股票生成具合理精度的EPS估计，有助于改进投资者与金融分析师决策。据研究人员所知，基于时间序列深度学习技术的EPS预测此前未被深入探讨；代码与数据集已公开。
