Stock picking model for portfolio selection based on fundamental variables, fuzzy logic and neural networks

The objective of this study is to define a stock picking strategy based on fundamental analysis, applying soft-computing modeling based on fuzzy logic and neural networks in order to provide a real-time profitable application for investors in the NASDAQ exchange. The evidence of non-linearity in forecasting stock markets leads to applying non-linear models. Fuzzification of the input is done before using Neural Networks. The proposed model takes fundamental data, ratios, and price data in input. The target is the percentage total return during the year after the year of the release of the ratios used in input. Each neural network is trained on one year only, and each year a new model is built by moving forward the time window. Once the neural network is trained, it is used to forecast the total return of all the companies on the upcoming year, and the 10 stocks with the highest forecast are selected to build the portfolio hold one year. The portfolios have an average annual return of 114%, with a Sharpe ratio of 0.89. This is 93 points superior to the weighted average annual return of 21.0% of the market with a Sharpe ratio of 0.51. If $1 were invested in the model in 1987, it would have growth to $2,480,931 in the end of year 2009. The results are robust to look-ahead and survivorship bias.

L'obiettivo di questo studio è di definire una strategia di stock-picking basata sull’analisi fondamentale, applicando un modello di soft-computing basato su logica fuzzy e rete neurale in modo tale da creare un’applicazione profittevole in tempo reale per gli investitori del NASDAQ exchange. L'evidenza di non linearità nel prevedere i mercati azionari risulta nell'utilizzo di modelli non lineari. Una fuzzificazione degli input è fatta prima di usare reti neurali. Il modello proposto prende dati fondamentali, rapporti, e prezzi in input. Il target del modello è il total return dell’anno successivo all’anno di rilascio ufficiale dei dati fondamentali usati in input. Ogni rete neurale è allenata su un anno soltanto, ed ogni anno un nuovo modello è costruito spostando la finestra temporale di un anno. Una volta allenata, la rete neurale è utilizzata per prevedere i total return di tutte le compagnie per l'anno che sta per iniziare, e le 10 azioni con le previsioni più alte sono selezionate per costruire il portafoglio che viene tenuto per un anno. I portafogli hanno un rendimento annuale medio di 114%, con un Sharpe ratio di 0.89. Questo risultato è 93 punti superiore al rendimento ponderato annuale medio del mercato, il quale è 21.0% con un Sharpe ratio di 0.51. Se $1 fosse investito nel modello nel 1987, sarebbe cresciuto fino a $2,480,931 alla fine dell'ano 2009. I nostri risultati sono robusti al look-ahead e survivorship bias.