Is the inclusion of a broad set of explanatory variables relevant in EPS forecasting? Evidence from Poland

W niniejszym artykule zbadano rolę dokładnych prognoz zysków spółek notowanych na giełdzie – kluczową w osiąganiu sukcesu inwestycyjnego, szczególnie na rynkach o ograniczonym pokryciu prognozami przez analityków, takich jak rynki wschodzące, m.in. w Polsce. Podczas gdy analitycy finansowi szeroko prognozują wyniki finansowe spółek na rozwiniętych rynkach, takich jak USA, jedynie niewielka część firm (około 20%) cieszy się podobnym zainteresowaniem w Polsce. Istnieje obszerna literatura poświęcona prognozowaniu zysków na akcję, głównie w USA, choć wyniki tych badań są zróżnicowane. W artykule oceniono dokładność prognoz generowanych przez szeroką gamę zmiennych objaśniających, w tym zmienne księgowe, rynkowe i makroekonomiczne, wykorzystując uczenie maszynowe oparte na drzewach decyzyjnych ze wzmocnieniem gradientowym, wielowarstwowych sieciach perceptronowych i sieciach konwolucyjnych, w porównaniu z sezonowym modelem spaceru losowego. Modele te zastosowano w odniesieniu do danych EPS spółek notowanych na Giełdzie Papierów Wartościowych w latach 2008–2019. W zastosowanych metodach wielowymiarowych wykorzystano kompleksowy zestaw 1598 zmiennych objaśniających, obejmujących specyficzne dla spółki wskaźniki finansowe i rynkowe wraz ze wskaźnikami makroekonomicznymi. Model sezonowego błądzenia losowego wykazał najniższy błąd mierzony za pomocą średniego bezwzględnego błędu arcus tangensa (MAAPE), czego wyniki potwierdzono testami statystycznymi. Liczne kontrole stabilności wyników, obejmujące różne ramy czasowe i wskaźniki błędów, potwierdzają ten wynik. Dominacja modelu uproszczonego może wynikać z tendencji do nadmiernego dopasowania modeli złożonych oraz stosunkowo prostej dynamiki obserwowanej w polskich spółkach giełdowych

This study explores the critical role of accurate earnings forecasts for publicly traded firms in achieving investment success, particularly in markets with limited analyst coverage, such as emerging markets like Poland. It evaluates the precision of forecasts generated by a wide array of explanatory variables, including accounting, market, and macroeconomic factors, employing gradient-boosting decisiontree machine learning, multilayer perceptron networks, and convolution networks, contrasted with a seasonal random walk model. These models are applied to EPS data from companies listed on the Warsaw Stock Exchange from 2008 to 2019. Multivariate methods are trained using a comprehensive set of 1,598 explanatory variables, encompassing company-specific financial and market metrics along with macroeconomic indicators. The seasonal random walk model demonstrated the lowest error, as measured by the Mean Arctangent Absolute Percentage Error (MAAPE), findings validated through rigorous statistical examinations. Various robustness checks, employing diverse timeframes and error metrics, reaffirm this outcome. The dominance of a simplistic model may arise from the overfitting tendencies of complex models and the relatively straightforward dynamics observed in Polish listed companies.