Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Calcolo e linguaggio# Intelligenza artificiale# Informatica neurale ed evolutiva

Valutazione delle aziende con tecniche AI

Nuovi metodi migliorano l'accuratezza della valutazione aziendale grazie all'identificazione dei peer guidata dall'IA.

― 6 leggere min


L'IA potenzia le tecnicheL'IA potenzia le tecnichedi valutazione aziendale.nell'identificazione dei peerartificiale migliorano l'accuratezzaNuovi metodi di intelligenza
Indice

Valutare le aziende, sia pubbliche che private, è fondamentale per prendere decisioni di investimento. Un modo comune per farlo è attraverso l'analisi di aziende comparabili, che consiste nel trovare aziende simili per valutare il valore. Questo metodo è particolarmente utile per le società di private equity che cercano di valutare il valore delle aziende private. Tradizionalmente, trovare aziende comparabili si basa su metodi qualitativi, come le classificazioni di settore e la conoscenza degli analisti. Tuttavia, stanno emergendo nuove tecniche quantitative, tra cui il machine learning e il natural language processing (NLP).

Nozioni di Base sulla Valutazione delle Aziende

La valutazione delle aziende si riferisce a stimare il valore di un'azienda in una determinata valuta e in una data specifica. Per le aziende pubbliche, la valutazione può spesso essere fatta moltiplicando il prezzo delle azioni per il numero di azioni disponibili. Tuttavia, i prezzi delle azioni possono fluttuare frequentemente e essere influenzati da speculazioni di mercato. Per le aziende private, che non hanno azioni quotate pubblicamente, trovare un prezzo può essere più complicato.

Ci sono diversi metodi comunemente usati per la valutazione delle aziende, tra cui:

  1. Metodo delle Aziende Comparabili: Questo metodo guarda ai rapporti finanziari di un'azienda selezionata rispetto a aziende simili. L'obiettivo è stimare il valore dell'azienda selezionata basandosi su come sono valutate aziende simili.

  2. Metodo delle Transazioni Comparabili: Questo metodo analizza transazioni recenti che coinvolgono aziende simili, come fusioni, acquisizioni o offerte pubbliche. I rapporti di queste transazioni vengono poi applicati all'azienda da valutare.

  3. Metodo del Flusso di Cassa Scontato (DCF): Questo metodo implica stimare i flussi di cassa futuri di un'azienda e scontarli al valore attuale. Questo tiene conto del valore temporale del denaro.

Nella maggior parte dei casi, gli analisti di equity raccolgono manualmente dati per effettuare valutazioni, il che può portare a errori e incoerenze. L'automazione sta diventando popolare per semplificare questo processo.

Importanza delle Aziende Comparabili

Identificare aziende comparabili è fondamentale per diversi motivi, tra cui:

  • Fusioni e acquisizioni (M&A)
  • Comprendere il panorama competitivo di un'azienda
  • Condurre ricerche economiche sulle reti aziendali

Identificare aziende simili può essere fatto in modo qualitativo o quantitativo. Un approccio comune è raggruppare le aziende per sistemi di classificazione settoriale, come il Standard Industrial Classification (SIC) o il North American Industry Classification System (NAICS). Tuttavia, studi hanno suggerito che queste classificazioni non spiegano completamente i movimenti dei prezzi delle azioni.

Identificazione delle Aziende Simili

Approcci recenti che utilizzano big data hanno proposto metodi quantitativi per la selezione dei peer basati su ricerche comuni da parte degli analisti finanziari. Alcuni ricercatori hanno usato tecniche di NLP per estrarre dati dai social media per definire le reti delle aziende basandosi su prodotti e servizi condivisi.

Usare i fondamentali per definire i gruppi di aziende potrebbe portare a valutazioni più accurate. Anche se le classificazioni settoriali tradizionali potrebbero non essere così utili, concentrarsi sui prodotti e servizi effettivi offerti dalle aziende può dare risultati migliori.

Il Ruolo di GPT e NER

Per trovare aziende simili adatte basate su offerte e descrizioni di prodotti, il riconoscimento delle entità nominate (NER) può essere uno strumento prezioso. NER identifica e classifica le entità in un testo. In questo studio, il modello GPT di OpenAI è stato confrontato con modelli NER standard, come spaCy, per vedere quale fosse più efficace nell'estrarre informazioni sui prodotti dalle descrizioni delle aziende sulle loro pagine Wikipedia.

Lo studio ha coinvolto l'analisi di 13 aziende quotate in borsa e l'estrazione delle loro offerte di prodotti dai riassunti di Wikipedia.

Raccolta Dati

I dati utilizzati per questa ricerca provenivano da Wikipedia, specificamente dalle sezioni dei riassunti delle pagine delle aziende selezionate. L'obiettivo era creare un dataset che potesse essere utilizzato in modo coerente per valutare le prestazioni dei diversi metodi NER. Il processo di estrazione dei dati è stato automatizzato utilizzando linguaggi di programmazione e strumenti.

Il dataset annotato è stato utilizzato per entrambi i modelli, assicurando che i risultati potessero essere confrontati accuratamente.

Metodologia

Il riconoscimento delle entità nominate è stato eseguito utilizzando sia spaCy che il modello GPT. Il modello GPT opera in modo diverso dai tradizionali NER. Mentre il NER standard si basa su apprendimento supervisionato, GPT utilizza un approccio statistico. Prevede le parole successive in una frase in base al contesto senza bisogno di dati di addestramento etichettati.

Il modello GPT è stato addestrato utilizzando esempi formattati in un modo specifico per aiutarlo a riconoscere le entità in modo coerente. Il formato di addestramento richiedeva istruzioni chiare su cosa dovesse essere categorizzato come prodotto o servizio.

Risultati

I risultati iniziali hanno mostrato che anche senza esempi di addestramento (zero-shot learning), GPT è stato in grado di identificare diversi prodotti e servizi in modo accurato basandosi sulle descrizioni delle aziende. Ad esempio, un'azienda ha previsto i suoi prodotti nonostante facesse affidamento solo sulla sua descrizione senza alcun addestramento precedente.

In un altro caso, GPT ha identificato correttamente i prodotti distinguendoli dai mercati che servivano. Questo ha dimostrato la capacità del modello di differenziare efficacemente tra termini simili.

Confronto delle Prestazioni

Le prestazioni dei due modelli sono state misurate utilizzando un F-score, che fornisce un equilibrio tra precisione e richiamo. I risultati hanno indicato che il modello GPT ha costantemente superato il modello spaCy in vari scenari.

Con l'aumentare del numero di esempi di addestramento, le prestazioni del modello GPT sono migliorate significativamente. Anche con un piccolo set di esempi, i risultati erano sufficientemente promettenti da suggerire che GPT potesse essere impiegato in applicazioni del mondo reale per identificare le aziende peer nella valutazione azionaria.

Costruzione del Gruppo di Aziende Simili

Per creare gruppi di aziende simili, GPT è stato addestrato utilizzando il set annotato di 13 aziende e poi testato su un dataset più ampio di circa 3.890 aziende con pagine Wikipedia. L'obiettivo era trovare aziende che condividevano offerte di prodotti simili.

I risultati preliminari indicavano che GPT riusciva a identificare con successo aziende energetiche come simili per un'azienda di petrolio e gas, ad esempio. Tuttavia, nei casi in cui le aziende operavano in mercati di nicchia, il numero di corrispondenze rilevanti era inferiore.

Implicazioni per l'Automazione

Utilizzare dati disponibili pubblicamente, come Wikipedia, e applicare modelli avanzati come GPT potrebbe portare a una costruzione di gruppi di aziende simili più efficiente e accurata. Se questa tecnologia venisse integrata con fornitori di dati commerciali, potrebbe automatizzare porzioni significative del processo di valutazione azionaria.

Tuttavia, anche se il metodo mostra promesse, utilizzare GPT per applicazioni su larga scala potrebbe richiedere un investimento finanziario a causa dei costi associati all'elaborazione di grandi dataset.

Conclusione

Utilizzando modelli di linguaggio di grandi dimensioni come GPT, i ricercatori hanno dimostrato che è possibile raggiungere un tasso di successo più elevato nell'estrazione di informazioni sui prodotti e nell'identificare aziende comparabili rispetto al fare affidamento su metodi NER tradizionali. La capacità di automatizzare il processo di creazione di gruppi di aziende è uno sviluppo entusiasta nel campo della valutazione aziendale.

Il lavoro futuro in quest'area potrebbe coinvolgere un ulteriore affinamento di questi modelli e la loro integrazione nei sistemi esistenti per risultati ancora migliori. Migliorando il modo in cui identifichiamo e analizziamo le aziende comparabili, possiamo aumentare l'accuratezza e l'efficienza delle valutazioni aziendali nell'industria finanziaria.

Fonte originale

Titolo: Named entity recognition using GPT for identifying comparable companies

Estratto: For both public and private firms, comparable companies' analysis is widely used as a method for company valuation. In particular, the method is of great value for valuation of private equity companies. The several approaches to the comparable companies' method usually rely on a qualitative approach to identifying similar peer companies, which tend to use established industry classification schemes and/or analyst intuition and knowledge. However, more quantitative methods have started being used in the literature and in the private equity industry, in particular, machine learning clustering, and natural language processing (NLP). For NLP methods, the process consists of extracting product entities from e.g., the company's website or company descriptions from some financial database system and then to perform similarity analysis. Here, using companies' descriptions/summaries from publicly available companies' Wikipedia websites, we show that using large language models (LLMs), such as GPT from OpenAI, has a much higher precision and success rate than using the standard named entity recognition (NER) methods which use manual annotation. We demonstrate quantitatively a higher precision rate, and show that, qualitatively, it can be used to create appropriate comparable companies peer groups which could then be used for equity valuation.

Autori: Eurico Covas

Ultimo aggiornamento: 2023-09-23 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2307.07420

Fonte PDF: https://arxiv.org/pdf/2307.07420

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili