新聞報導
  • 新聞報導
美國猶他大學講座教授Prof. Olivia Sheng專題演講
發佈日期:2023-06-15 
瀏覽數:948
 2023-07-03 更新

撰文者/資管所博士生 李怡珍

「Post-Earnings-Announcement Drift Prediction: Leveraging New Knowledge with Multi-task Learning」


 

魏志平教授於2023年5月18日邀請到美國猶他大學Prof. Olivia Sheng前來分享近期在財務金融主題與IS跨領域結合的研究成果。Prof. Sheng擁有將近38年的教學研究豐富經歷,任職於美國猶他大學作業與資訊系統學系(Department of Operations and Information Systems)講座教授,直至今年2023年4月接受美國亞利桑那州立大學講座教授一職。研究領域包括Web/text/data mining、optimization methods for predictive analytics in healthcare, marketing, and other application domains等,研究的領域相當廣泛。

本次分享的主題是「Post-Earnings-Announcement Drift Prediction: Leveraging New Knowledge with Multi-task Learning」。PEAD (Post-Earnings-Announcement Drift),盈餘慣性,亦指公司在公佈季度收益的一段時間後,可能是幾天、幾週或幾個月內,公司的股票價格意外的朝向公司收益方向移動的趨勢。有趣的是,這個研究收集大量的資料來源,包含2008-2021共13年來前500名美國上市公司的歷史收益電話會議記錄來進行PEAD趨勢預測。不僅如此,這項研究最困難的任務,是需要從大量的財務資訊文字內容中,採取文字探勘技術與機器學習等方法來進行預測任務。甚至提出了一種新式自適應權重計算方法(new adaptive weighting method, Gradient Perpendicular),根據每個任務提供多少新知識來衡量輔助任務,透過獨特的分層式 Transformer- MTL架構,以更有效率的利用收益電話會議記錄和結構化特徵(financial ratios)來進行 PEAD 的預測任務。

Prof. Olivia Sheng提及,MTL(Multi-task Learning)長久以來一直是電腦科學領域、自然語言處理和醫療保健等領域的有效學習典範,但是將MTL運用在財務金融領域以預測股價漂移的應用卻很少見。這項研究結果也證實了PEAD的預測模型,不僅在預測準確性方面優於一般的基準模型,而且還顯著地生成更高的投資回報率。因此,這項研究在IS技術應用與金融領域中,提出了跨領域與創新性的貢獻與見解。也為投資者提供了有價值的決策支持模型和管理層面的啟發。

此次演講機會非常難得,也吸引了許多教授與同學參加,許多與會的教授與學生也紛紛提出問題與Prof. Sheng進行熱烈討論,讓在場的每一位來賓都從交流中汲取經驗並學習新知識。



※本網站所使用之照片圖檔如經通知有疑似侵害肖像權等疑慮,本系將立即撤下及修正,待確認無違法疑虞後,始為公開。