Review identifiziert Lücken in unserem Verständnis darüber, wie maschinelles Lernen die Aktienbewertung unterstützen kann

In den letzten zwei Jahrzehnten haben Forscher Big Data und Methoden des maschinellen Lernens (ML) verwendet, um Erkenntnisse zu gewinnen, die für die Aktienbewertung relevant sind. Viele dieser Studien verwenden oder informieren über Rechnungslegungsvariablen. In einem in KeAi’s veröffentlichten Artikel Das Journal of Finance and Data Science, Doron Nissim, Professor für Rechnungswesen an der Columbia Business School in den USA, hat eine Auswahl dieser Studien überprüft und mehrere entscheidende Bereiche identifiziert, die bisher relativ wenig wissenschaftliche Aufmerksamkeit erhalten haben. In der Übersicht geht Professor Nissim auf zwei davon ein: (1) die Verwendung von Big Data und ML-Methoden zur Messung immaterieller Vermögenswerte; und (2) die Einbeziehung von Wirtschafts-, Finanz- und Buchhaltungsstrukturen bei der Implementierung von ML-Algorithmen.

In Bezug auf den ersten Punkt stellt Prof. Nissim fest: „Organisch gewachsene immaterielle Vermögenswerte werden in der Regel nicht in der Bilanz ausgewiesen, was zu verzerrten Abschlüssen führt. Dies liegt vor allem an der Unsicherheit, die mit immateriellen Vermögenswerten verbunden ist. Zunehmende Trends in den letzten Jahrzehnten bei immateriellen Vermögenswerten Intensität und wirtschaftliche Volatilität haben dazu geführt, dass die ausgewiesenen Gewinne und der Buchwert schlechte Anhaltspunkte für zukünftige Gewinne darstellen.Zum Beispiel deuten Untersuchungen darauf hin, dass die Underperformance von Wertfaktoren in den letzten zehn Jahren teilweise darauf zurückzuführen ist, dass Bilanzkennzahlen wie Gewinne und Buchwerte immer wichtigere immaterielle Werte nicht erfassen Vermögenswerte.“

Er fügt hinzu: „Die dramatische Zunahme der Verfügbarkeit von Daten und Verbesserungen bei den Computer- und Datenanalysemethoden ermöglichen eine relativ genaue Messung verschiedener Arten von immateriellen Vermögenswerten. In dieser Übersicht schaue ich mir einige aktuelle Beispiele an und unterstreiche den Bedarf an weiterer Forschung in diesem Bereich Bereich.“

In Bezug auf die Integration von Domänenwissen und ML ist Prof. Nissim der Ansicht, dass Big Data und ML-Methoden kein robustes Framework ersetzen sollten, das wirtschaftliche, finanzielle und buchhalterische Strukturen umfasst. Er erklärt: „Die Out-of-Sample-Validität von Erkenntnissen aus reinem Data-Mining ist oft fraglich. Das Extrahieren von Informationen aus Daten beinhaltet das Extrapolieren vergangener Beziehungen, aber in einigen Fällen gilt die Aussage ‚diesmal ist es anders‘ tatsächlich und macht diese Extrapolation In diesem Zusammenhang müssen oft Urteile einfließen, was schwierig ist, wenn Prognosen und Schätzungen aus „Black Boxes“ abgeleitet werden. Einfache, traditionelle Modelle, die ökonomische Intuition einbeziehen und mehr Transparenz in den Schätzprozess bringen, sind besser geeignet, um Urteile einzubeziehen.“

Er schließt. „Die erste Welle von Modellen der künstlichen Intelligenz verwendete Expertensysteme, während die zweite zu ML überging. Die Kombination der beiden – zum Beispiel durch die Integration von Domänenwissen und ML – oder allgemeiner der Übergang von ‚Mensch gegen Maschine‘ zu ‚Mensch plus Maschine‘. Ansatz bessere Ergebnisse liefern kann. In dieser Übersicht führe ich mehrere Beispiele an, um diese Beobachtung zu untermauern.“

Bereitgestellt von KeAi Communications Co., Ltd.