Faire avancer l'évaluation des entreprises avec des techniques d'IA

Valoriser les entreprises, qu'elles soient publiques ou privées, c'est super important pour prendre des décisions d'investissement. Une façon courante de le faire, c'est l'analyse des entreprises comparables, qui consiste à trouver des entreprises similaires pour évaluer la valeur. Cette méthode est particulièrement utile pour les sociétés de capital-investissement qui cherchent à évaluer la valeur des entreprises privées. Traditionnellement, trouver des entreprises comparables repose sur des méthodes qualitatives, comme les classifications industrielles et les connaissances des analystes. Mais de nouvelles techniques quantifiées émergent, y compris l'apprentissage automatique et le traitement du langage naturel (NLP).

#Bases de l'évaluation des entreprises

L'évaluation d'une entreprise consiste à estimer sa valeur dans une devise spécifique et à une date donnée. Pour les entreprises publiques, on peut souvent évaluer en multipliant le prix de l'action par le nombre d'actions disponibles. Cependant, les prix des actions peuvent fluctuer fréquemment et être influencés par la spéculation du marché. Pour les entreprises privées, qui n'ont pas d'actions cotées, trouver un prix peut être plus compliqué.

Il existe plusieurs méthodes couramment utilisées pour évaluer les entreprises, notamment :

1. Méthode des entreprises comparables : Cette méthode examine les ratios financiers d'une entreprise sélectionnée par rapport à des entreprises similaires. L'objectif est d'estimer la valeur de l'entreprise choisie en fonction de la façon dont des entreprises similaires sont valorisées.

2. Méthode des transactions comparables : Cette méthode analyse les transactions récentes impliquant des entreprises similaires, comme des fusions, des acquisitions ou des introductions en bourse. Les ratios de ces transactions sont ensuite appliqués à l'entreprise à évaluer.

3. Méthode des flux de trésorerie actualisés (DCF) : Cette méthode consiste à estimer les flux de trésorerie futurs d'une entreprise et à les actualiser à la valeur actuelle. Cela prend en compte la valeur temps de l'argent.

La plupart du temps, les analystes en actions rassemblent manuellement des données pour effectuer des évaluations, ce qui peut entraîner des erreurs et des incohérences. L'automatisation devient populaire pour rationaliser ce processus.

#Importance des entreprises comparables

Identifier des entreprises comparables est crucial pour plusieurs raisons, notamment :

• Fusions et acquisitions (M&A)
• Comprendre le paysage concurrentiel d'une entreprise
• Réaliser des recherches économiques sur les réseaux d'affaires

Identifier des entreprises similaires peut se faire qualitativement ou quantitativement. Une approche courante consiste à regrouper les entreprises par systèmes de classification industrielle, comme la classification industrielle standard (SIC) ou le système de classification des industries nord-américaines (NAICS). Cependant, des études ont suggéré que ces classifications n'expliquent pas entièrement les mouvements des prix des actions.

#Identification des entreprises similaires

Des approches récentes utilisant le big data ont proposé des méthodes quantifiées pour la sélection de pairs basées sur des recherches communes par des analystes financiers. Certains chercheurs ont utilisé des techniques NLP pour extraire des données des réseaux sociaux afin de définir les réseaux d'entreprises basés sur des produits et services partagés.

Utiliser des fondamentaux pour définir des groupes de pairs peut conduire à des évaluations plus précises. Alors que les classifications industrielles traditionnelles peuvent ne pas être aussi utiles, se concentrer sur les produits et services réels offerts par les entreprises peut donner de meilleurs résultats.

#Le rôle de GPT et NER

Pour trouver des entreprises similaires en fonction des offres et descriptions de produits, la Reconnaissance d'entités nommées (NER) peut être un outil précieux. NER identifie et classe les entités dans un texte. Dans cette étude, le modèle GPT d'OpenAI a été comparé à des modèles NER standards, comme spaCy, pour voir lequel était plus efficace pour extraire des informations sur les produits à partir des descriptions d'entreprises sur leurs pages Wikipedia.

L'étude impliquait d'analyser 13 entreprises cotées en bourse et d'extraire leurs offres de produits à partir des résumés de Wikipedia.

#Collecte de données

Les données utilisées pour cette recherche provenaient de Wikipedia, spécifiquement des sections de résumé des pages pour les entreprises sélectionnées. L'objectif était de créer un ensemble de données qui pourrait être utilisé de manière cohérente pour évaluer la performance des différentes méthodes NER. Le processus d'extraction des données a été automatisé en utilisant des langages et outils de programmation.

L'ensemble de données annoté a été utilisé pour les deux modèles, garantissant que les résultats puissent être comparés de manière précise.

#Méthodologie

La reconnaissance d'entités nommées a été effectuée en utilisant à la fois spaCy et le modèle GPT. Le modèle GPT fonctionne différemment des NER traditionnels. Alors que le NER standard s'appuie sur l'apprentissage supervisé, GPT utilise une approche statistique. Il prédit les mots suivants dans une phrase en fonction du contexte sans avoir besoin de données d'entraînement étiquetées.

Le modèle GPT a été entraîné en utilisant des exemples formatés d'une manière spécifique pour l'aider à reconnaître les entités de manière cohérente. Le format d'entraînement exigeait des instructions claires sur ce qui devait être considéré comme un produit ou un service.

#Résultats

Les résultats initiaux ont montré que même sans exemples d'entraînement (apprentissage à zéro), GPT était capable d'identifier plusieurs produits et services avec précision en se basant sur les descriptions d'entreprise. Par exemple, une entreprise a prédit ses produits sans se fier qu'à sa description sans aucune formation préalable.

Dans un autre cas, GPT a correctement identifié des produits tout en les distinguant des marchés qu'ils desservaient. Cela a démontré la capacité du modèle à différencier efficacement des termes similaires.

#Comparaison de performance

La performance des deux modèles a été mesurée en utilisant un score F, qui fournit un équilibre entre précision et rappel. Les résultats ont indiqué que le modèle GPT surpassait systématiquement le modèle spaCy dans divers scénarios.

À mesure que le nombre d'exemples d'entraînement augmentait, la performance du modèle GPT s'améliorait considérablement. Même avec un petit ensemble d'exemples, les résultats étaient suffisamment prometteurs pour suggérer que GPT pourrait être employé dans des applications réelles pour identifier des entreprises comparables dans l'évaluation des actions.

#Construction de groupes de pairs

Pour créer des groupes de pairs, GPT a été entraîné en utilisant l'ensemble annoté de 13 entreprises et a ensuite été testé contre un ensemble de données plus large d'environ 3 890 entreprises avec des pages Wikipedia. L'objectif était de trouver des entreprises qui partageaient des offres de produits similaires.

Les résultats préliminaires ont indiqué que GPT pouvait identifier avec succès des entreprises du secteur de l'énergie comme pairs pour une entreprise pétrolière et gazière, par exemple. Cependant, dans les cas où les entreprises opéraient sur des marchés de niche, le nombre de correspondances pertinentes était plus faible.

#Implications pour l'automatisation

Utiliser des données publiquement disponibles, comme Wikipedia, et appliquer des modèles avancés comme GPT pourrait conduire à une construction de groupes de pairs plus efficace et précise. Si cette technologie était intégrée avec des fournisseurs de données commerciaux, elle pourrait automatiser une grande partie du processus d'évaluation des actions.

Cependant, bien que la méthode montre des promesses, l'utilisation de GPT pour des applications à grande échelle pourrait nécessiter un investissement financier en raison des coûts associés au traitement de grands ensembles de données.

#Conclusion

En utilisant des modèles de langage large comme GPT, les chercheurs ont montré qu'il est possible d'obtenir un taux de réussite plus élevé dans l'extraction d'informations sur les produits et l'identification d'entreprises comparables que de s'appuyer sur des méthodes NER traditionnelles. La capacité d'automatiser le processus de création de groupes de pairs est un développement passionnant dans le domaine de l'évaluation des entreprises.

Les travaux futurs dans ce domaine pourraient impliquer un affinage supplémentaire de ces modèles et leur intégration dans des systèmes existants pour obtenir des résultats encore meilleurs. En améliorant notre façon d'identifier et d'analyser des entreprises comparables, nous pouvons améliorer la précision et l'efficacité des évaluations d'entreprises dans l'industrie financière.