Avanzando la valoración de empresas con técnicas de IA

Valorar empresas, ya sean públicas o privadas, es clave para tomar decisiones de inversión. Una forma común de hacerlo es a través del análisis de empresas comparables, que consiste en encontrar empresas similares para evaluar su valor. Este método es especialmente útil para firmas de capital privado que buscan evaluar cuánto valen las empresas privadas. Tradicionalmente, encontrar empresas comparables se basa en métodos cualitativos, como clasificaciones de industria y el conocimiento de analistas. Sin embargo, están surgiendo nuevas técnicas cuantitativas, incluyendo aprendizaje automático y procesamiento de lenguaje natural (NLP).

#Fundamentos de la Valoración de Empresas

La valoración de empresas se refiere a estimar cuánto vale una empresa en una moneda específica y en una fecha concreta. Para las empresas públicas, la valoración a menudo se hace multiplicando el precio de la acción por el número de acciones disponibles. Sin embargo, los precios de las acciones pueden fluctuar con frecuencia y ser influenciados por la especulación del mercado. Para las empresas privadas, que no tienen acciones cotizadas públicamente, encontrar un precio puede ser más complicado.

Hay varios métodos comúnmente utilizados para la valoración de empresas, incluyendo:

1. Método de Empresas Comparables: Este método analiza los ratios financieros de una empresa seleccionada en comparación con empresas similares. El objetivo es estimar el valor de la empresa seleccionada basado en cómo se valoran empresas similares.

2. Método de Transacciones Comparables: Este método analiza transacciones recientes que involucran empresas similares, como fusiones, adquisiciones u ofertas públicas. Los ratios de estas transacciones se aplican luego a la empresa que se está valorando.

3. Método de Flujo de Caja Descontado (DCF): Este método implica estimar los flujos de caja futuros de una empresa y descontarlos al valor presente. Esto toma en cuenta el valor del dinero en el tiempo.

La mayoría de las veces, los analistas de equidad recopilan datos manualmente para realizar valoraciones, lo que puede llevar a errores e inconsistencias. La automatización se está volviendo popular para agilizar este proceso.

#Importancia de las Empresas Comparables

Identificar empresas comparables es crucial por varias razones, incluyendo:

• Fusiones y adquisiciones (M&A)
• Entender el panorama competitivo de una empresa
• Realizar investigaciones económicas sobre redes empresariales

Identificar empresas similares se puede hacer de forma cualitativa o cuantitativa. Un enfoque común es agrupar empresas por sistemas de clasificación industrial, como la Clasificación Industrial Estándar (SIC) o el Sistema de Clasificación de la Industria de América del Norte (NAICS). Sin embargo, estudios han sugerido que estas clasificaciones no explican completamente los movimientos de los precios de las acciones.

#Identificación de Empresas Pares

Enfoques recientes que utilizan grandes datos han propuesto métodos cuantitativos para la selección de pares basados en búsquedas comunes de analistas financieros. Algunos investigadores han utilizado técnicas de NLP para extraer datos de redes sociales y definir las redes de empresas en función de productos y servicios compartidos.

Usar fundamentos para definir grupos de pares puede conducir a valoraciones más precisas. Si bien las clasificaciones industriales tradicionales pueden no ser tan útiles, centrarse en los productos y servicios reales ofrecidos por las empresas puede dar mejores resultados.

#El Rol de GPT y NER

Para encontrar empresas pares adecuadas en función de la oferta de productos y descripciones, el Reconocimiento de Entidades Nombradas (NER) puede ser una herramienta valiosa. NER identifica y clasifica entidades en un texto. En este estudio, se comparó el modelo GPT de OpenAI con modelos NER estándar, como spaCy, para ver cuál era más efectivo en extraer información sobre productos de las descripciones de las empresas en sus páginas de Wikipedia.

El estudio implicó analizar 13 empresas que cotizan en bolsa y extraer sus ofertas de productos de los resúmenes de Wikipedia.

#Recolección de Datos

Los datos utilizados para esta investigación provinieron de Wikipedia, específicamente de las secciones de resumen de las páginas de las empresas seleccionadas. El objetivo era crear un conjunto de datos que pudiera utilizarse de manera consistente para evaluar el rendimiento de los diferentes métodos de NER. El proceso de Extracción de datos se automatizó utilizando lenguajes de programación y herramientas.

El conjunto de datos anotado se utilizó para ambos modelos, asegurando que los resultados pudieran compararse con precisión.

#Metodología

Se realizó el reconocimiento de entidades nombradas utilizando tanto spaCy como el modelo GPT. El modelo GPT opera de manera diferente a los NER tradicionales. Mientras que el NER estándar depende del aprendizaje supervisado, GPT utiliza un enfoque estadístico. Predice las siguientes palabras en una oración basándose en el contexto sin necesidad de datos de entrenamiento etiquetados.

El modelo GPT fue entrenado usando ejemplos formateados de una manera específica para ayudarlo a reconocer entidades de manera consistente. El formato de entrenamiento requería instrucciones claras sobre lo que debía categorizarse como un producto o servicio.

#Resultados

Los resultados iniciales mostraron que incluso sin ejemplos de entrenamiento (aprendizaje cero), GPT pudo identificar varios productos y servicios con precisión basándose en las descripciones de las empresas. Por ejemplo, una empresa predijo sus productos a pesar de depender solo de su descripción sin ningún entrenamiento previo.

En otro caso, GPT identificó correctamente productos mientras los diferenciaba de los mercados que atendían. Esto demostró la capacidad del modelo para diferenciar efectivamente entre términos similares.

#Comparación de Rendimiento

El rendimiento de los dos modelos se midió usando un F-score, que proporciona un equilibrio entre precisión y recuperación. Los resultados indicaron que el modelo GPT superó consistentemente al modelo spaCy en varios escenarios.

A medida que aumentó el número de ejemplos de entrenamiento, el rendimiento del modelo GPT mejoró significativamente. Incluso con un pequeño conjunto de ejemplos, los resultados fueron lo suficientemente prometedores como para sugerir que GPT podría utilizarse en aplicaciones del mundo real para identificar empresas pares en la valoración de capital.

#Construcción de Grupos de Pares

Para crear grupos de pares, GPT fue entrenado usando el conjunto anotado de 13 empresas y luego probado contra un conjunto de datos más grande de aproximadamente 3,890 empresas con páginas de Wikipedia. El objetivo era encontrar empresas que compartieran ofertas de productos similares.

Los resultados preliminares indicaron que GPT podía identificar con éxito empresas de energía como pares de una empresa de petróleo y gas, por ejemplo. Sin embargo, en casos donde las empresas operaban en mercados nicho, el número de coincidencias relevantes era menor.

#Implicaciones para la Automatización

Usar datos disponibles públicamente, como Wikipedia, y aplicar modelos avanzados como GPT podría llevar a una construcción de grupos de pares más eficiente y precisa. Si esta tecnología se integrara con proveedores de datos comerciales, podría automatizar porciones significativas del proceso de valoración de capital.

Sin embargo, aunque el método muestra promesa, usar GPT para aplicaciones a gran escala puede requerir inversión financiera debido a los costos asociados con el procesamiento de grandes conjuntos de datos.

#Conclusión

Usando modelos de lenguaje grandes como GPT, los investigadores han demostrado que es posible lograr una mayor tasa de éxito en la extracción de información sobre productos e identificar empresas comparables que al depender de métodos NER tradicionales. La capacidad de automatizar el proceso de creación de grupos de pares es un desarrollo emocionante en el campo de la valoración de empresas.

El trabajo futuro en esta área puede implicar refinar aún más estos modelos e integrarlos en sistemas existentes para obtener mejores resultados. Al mejorar la forma en que identificamos y analizamos empresas comparables, podemos mejorar la precisión y eficiencia de las valoraciones de empresas en la industria financiera.