La predicción de acciones ha captado considerable atención entre los inversores, con un reciente enfoque en la aplicación de técnicas de aprendizaje automático para mejorar la precisión predictiva. La investigación previa ha establecido la efectividad del aprendizaje automático en la predicción de tendencias del mercado de valores, independientemente del enfoque analítico empleado, ya sea técnico, fundamental o análisis de sentimientos. En el contexto de la selección del final del año fiscal, la decisión puede parecer inicialmente sencilla, con el 31 de diciembre siendo la elección aparente, como se discutió por B. Kamp en 2002. El argumento principal para un final de año fiscal uniforme se centra en la comparabilidad. Al evaluar el rendimiento financiero de dos empresas con finales de año fiscal diferentes, cambios sustanciales en el entorno empresarial durante períodos no superpuestos pueden dificultar comparaciones significativas. Además, cuando dos empresas se fusionan, la necesidad de sincronizar sus informes anuales a menudo resulta en años fiscales más cortos o más largos, complicando el análisis de series temporales. En el mercado de valores S&P de EE. UU., los años fiscales desalineados conducen a variaciones en las fechas de publicación de informes en diferentes industrias y segmentos de mercado. Dado que las fechas de presentación de informes financieros de las empresas del S&P de EE. UU. son determinadas independientemente por cada entidad listada, depender únicamente de estas fechas para decisiones de inversión puede resultar menos que completamente confiable e impactar la precisión de los modelos de predicción de rendimiento. Por lo tanto, nuestro interés radica en el año fiscal sincronizado del mercado de valores TW, aprovechando modelos de aprendizaje automático para análisis fundamental para predecir rendimientos. Empleamos cuatro modelos de aprendizaje automático: Random Forest (RF), Feedforward Neural Network (FNN), Gated Recurrent Unit (GRU) y Financial Graph Attention Network (FinGAT). Creamos carteras seleccionando acciones con mayores rendimientos predichos utilizando estos modelos de aprendizaje automático. Estas carteras superaron los índices de referencia del índice TW50 en el mercado de valores de Taiwán, demostrando retornos superiores y puntajes de cartera. Los hallazgos de nuestro estudio subrayan las ventajas de usar ratios financieros alineados para predecir las 20 principales acciones de alto rendimiento en un contexto de inversión a medio o largo plazo, ofreciendo más del 50% de rendimientos excedentes en los cuatro modelos mientras se mantienen perfiles de riesgo más bajos. El uso de las 10 principales acciones de alto rendimiento produjo más del 100% de rendimientos relativos con un nivel aceptable de riesgo, destacando la efectividad de emplear técnicas de aprendizaje automático basadas en ratios financieros para la predicción de acciones.