Publicación: Modelo fundamental de crecimiento en utilidades y price-to-earnings ratio, P/E, de los índices accionarios internacionales
Fecha
2025
Autores
Jiménez Benítez, Daniel
Sandino Perdomo, Daniel
Navarrete Quintero, Nicolás
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
The S&P500, a barometer of the U.S. economy, is one of the world's leading stock market indices. The price-to-earnings ratio (P/E) is a valuation measure that compares a stock's market price to its earnings per share, and is commonly used to assess whether stocks are overvalued or undervalued. Forecasting the P/E ratio is complex due to factors that can influence the ratio: interest rates, economic growth, market sentiment, and financial projections for companies, among others.
In this research, two recurrent neural network models were implemented: LSTM (long short-term memory) and GRU (gated recurrent unit), as well as two machine learning models: XGBoost (extreme gradient boosting) and LigthGBM (light gradient boosting machine), to forecast the P/E ratio of the S&P500 using historical data between January 1990 and October 2024.
The results show that all four models perform well, although the GRU model stands out in terms of accuracy and computational efficiency, without leaving aside the LightGBM model, a boosting algorithm, which also shows competitive results.
The research offers valuable information on the use of the four models to forecast valuation ratios, and can be useful as support in investment decision making.
Descripción
El S&P500, un barómetro de la economía estadounidense, es uno de los índices bursátiles más importantes del mundo. La relación precio-beneficio (price-to-earnings ratio, P/E) es una medida de valoración que compara el precio de mercado de una acción con sus ganancias por acción, y se utiliza comúnmente para evaluar si las acciones están sobrevaloradas o subvaloradas. Pronosticar la relación P/E es complejo debido a factores que pueden tener influencia en dicha relación: tasas de interés, crecimiento económico, sentimiento del mercado o proyecciones financieras sobre las empresas, entre otros.
En esta investigación se implementaron dos modelos de redes neuronales recurrentes: la LSTM (long short-term memory, memoria a corto plazo y larga duración) y la GRU (gated recurrent unit, unidad recurrente cerrada), así como dos modelos de machine learning: el XGBoost (extreme gradient boosting, aumento de gradiente extremo) y el LigthGBM (light gradient boosting machine, motor potenciador de gradiente ligera), para pronosticar la relación P/E del S&P500 utilizando datos históricos entre enero de 1990 y octubre de 2024.
Los resultados muestran que los cuatro modelos tienen un buen rendimiento, aunque el modelo GRU se destaca en términos de precisión y eficiencia computacional, sin dejar a un lado el modelo LigthGBM, un algoritmo de boosting, que también muestra resultados competitivos.
La investigación ofrece información valiosa sobre el uso de los cuatro modelos para pronosticar índices de valoración, y puede ser útil como apoyo en la toma de decisiones de inversión.