Yardeni Research now recommends effectively going underweight the Magnificent Seven megacap technology stocks versus the rest of the S&amp;P 500, expecting a shift in earnings growth ahead.

قام الاستراتيجي المخضرم إد يارديني بتغيير موقفه بشأن أسهم مجموعة الماجنيفيكنت سيفن، موصيًا الآن بمستوى أقل من الوزن مقارنة بمؤشر S&P 500 بشكل عام. يمثل هذا نهاية استراتيجية استثمار استمرت 15 عامًا تركزت على هذه الشركات التكنولوجية الكبرى، حيث تتوقع أبحاث يارديني تغييرًا في ديناميات نمو الأرباح.

El veterano estratega Ed Yardeni ha cambiado su postura sobre las acciones de los Magnificent Seven, recomendando ahora una posición de subponderación en comparación con el S&P 500 en su conjunto. Esto marca el final de una estrategia de inversión de 15 años centrada en estas grandes empresas tecnológicas, ya que Yardeni Research anticipa un cambio en la dinámica del crecimiento de ganancias.

Le stratège vétéran Ed Yardeni a modifié sa position sur les actions des Magnificent Seven, recommandant désormais une position sous-pondérée par rapport à l'ensemble du S&P 500. Cela marque la fin d'une stratégie d'investissement de 15 ans axée sur ces grandes entreprises technologiques, alors que Yardeni Research anticipe un changement dans la dynamique de croissance des bénéfices.

Veteran strategist Ed Yardeni has shifted his stance on the Magnificent Seven tech stocks, now recommending an underweight position compared to the broader S&P 500. This marks the end of a 15-year investment strategy focused on these megacap technology companies, as Yardeni Research anticipates a change in earnings growth dynamics.

Research Veteran Yardeni Ends 15-Year Tech Bet With Underweight Mag 7 Call

arXiv:2303.09406v2 Announce Type: replace-cross 
Abstract: Stock return prediction is fundamental to financial decision-making, yet traditional time series models fail to capture the complex interdependencies between companies in modern markets. We propose the Full-State Graph Convolutional LSTM (FS-GCLSTM), a novel temporal graph neural network that incorporates value-chain relationships to enhance stock return forecasting. Our approach features two key innovations: First, we represent inter-firm dependencies through value-chain networks, where nodes correspond to companies and edges capture supplier-customer relationships, enabling the model to leverage information beyond historical price data. Second, FS-GCLSTM applies graph convolutions to all LSTM components - current input features, previous hidden states, and cell states - ensuring that spatial information from the value-chain network influences every aspect of the temporal update mechanism. We evaluate FS-GCLSTM on Eurostoxx 600 and S&P 500 datasets using LSEG value-chain data. While not achieving the lowest traditional prediction errors, FS-GCLSTM consistently delivers superior portfolio performance, attaining the highest annualized returns, Sharpe ratios, and Sortino ratios across both markets. Performance gains are more pronounced in the denser Eurostoxx 600 network, and robustness tests confirm stability across different input sequence lengths, demonstrating the practical value of integrating value-chain data with temporal graph neural networks.

تم تقديم نهج جديد لتوقع عوائد الأسهم من خلال نموذج FS-GCLSTM (Full-State Graph Convolutional LSTM)، الذي يستخدم علاقات سلسلة القيمة لتعزيز دقة التوقعات. تتضمن هذه الطريقة تكامل الاعتماد المتبادل بين الشركات من خلال تمثيل الشركات كعقد وعلاقات المورد-العميل كحواف، مما يسمح بتحليل أكثر شمولاً يتجاوز بيانات الأسعار التاريخية.

Se ha introducido un nuevo enfoque para la predicción de rendimientos de acciones a través del Full-State Graph Convolutional LSTM (FS-GCLSTM), que utiliza relaciones de cadena de valor para mejorar la precisión de las previsiones. Este método integra las interdependencias entre empresas al representar a las compañías como nodos y las relaciones proveedor-cliente como aristas, permitiendo un análisis más completo más allá de los datos históricos de precios.

Une nouvelle approche de la prévision des rendements boursiers a été introduite avec le Full-State Graph Convolutional LSTM (FS-GCLSTM), qui utilise les relations de chaîne de valeur pour améliorer la précision des prévisions. Cette méthode intègre les interdépendances entre entreprises en représentant les sociétés comme des nœuds et les relations fournisseur-client comme des arêtes, permettant une analyse plus complète au-delà des données historiques de prix.

A novel approach to stock return prediction has been introduced through the Full-State Graph Convolutional LSTM (FS-GCLSTM), which utilizes value-chain relationships to enhance forecasting accuracy. This method integrates inter-firm dependencies by representing companies as nodes and supplier-customer relationships as edges, allowing for a more comprehensive analysis beyond historical price data.

Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM

Veteran strategist Ed Yardeni, president of Yardeni Research, talks to Bloomberg Television about his shift to underweight Magnificent Seven tech stocks. He says he recommends "broadening out" portfolios as "there's still plenty of good stocks out there of companies that are going to be using all these technologies." (Source: Bloomberg)

أعلن الاستراتيجي المخضرم إد يارديني عن تغيير إلى موقف تحت الوزن في أسهم التكنولوجيا لمجموعة Magnificent Seven خلال مقابلة مع Bloomberg Television. وأكد على أهمية تنويع محافظ الاستثمار، مشيرًا إلى أن هناك العديد من الأسهم الواعدة المتاحة في السوق التي تستفيد من التقنيات الناشئة.

El veterano estratega Ed Yardeni ha anunciado un cambio a una posición de subponderación en las acciones tecnológicas de los Magnificent Seven durante una entrevista con Bloomberg Television. Enfatizó la importancia de diversificar las carteras de inversión, sugiriendo que aún hay numerosas acciones prometedoras en el mercado que aprovechan las tecnologías emergentes.

Le stratège vétéran Ed Yardeni a annoncé un changement vers une position sous-pondérée sur les actions technologiques des Magnificent Seven lors d'une interview avec Bloomberg Television. Il a souligné l'importance de diversifier les portefeuilles d'investissement, suggérant qu'il existe encore de nombreuses actions prometteuses sur le marché qui tirent parti des technologies émergentes.

Veteran strategist Ed Yardeni has announced a shift to an underweight position on the Magnificent Seven tech stocks during an interview with Bloomberg Television. He emphasized the importance of diversifying investment portfolios, suggesting that there are still numerous promising stocks available in the market that leverage emerging technologies.

Research Veteran Yardeni Ends 15-Year Tech Bet With Underweight Mag 7 Call

Was this article worth reading? Share it

StockAlert.pro

Portfolio Backtest

Ticker Nerd Crypto