Forecasting and forecast-combining of quarterly earnings-per-share via genetic programming

Abstract

In this study we examine different methodologies to estimate earnings. More specifically, we evaluate the viability of Genetic Programming as both a forecasting model estimator and a forecastcombining methodology. When we compare the performance of traditional mechanical forecasting (ARIMA) models and models developed using Genetic Programming we observe that Genetic Programming can be used to create time-series models for quarterly earnings as accurate as the traditional linear models. Genetic Programming can also effectively combine forecasts. However, Genetic Programming's forecast combinations are sometimes unable to improve on Value Line. Moreover, simple averaging of forecasts results in better predictive accuracy than Genetic Programmingcombining of forecasts. Hence, as implemented in this study, Genetic Programming is not superior to traditional methodologies in either forecasting or forecast combining of quarterly earnings.

En este estudio examinamos distintas metodologias para estimar beneficios. En concreto, analizamos la viabilidad de la programación genética como modelo de estimación y también como método para combinar distintos modelos de predicción. En nuestro estudio encontramos que la programación genética es al menos tan eficaz como los métodos tradicionales de estimación de series de tiempo. Sin embargo las predicciones de nuestros algoritmos genéticos no predicen mejor los beneficios que el Value Line. Además, los modelos de predicción combinados utilizando programación genética no son superiores a un simple promedio de los estimados de los modelos. De manera, que en nuestro estudio la programación genética no resulta superior a las metodologías tradicionales.