L’examen identifie des lacunes dans notre compréhension de la façon dont l’apprentissage automatique peut aider à l’évaluation des stocks

Au cours des deux dernières décennies, les chercheurs ont utilisé les mégadonnées et les méthodes d’apprentissage automatique (ML) pour fournir des informations pertinentes pour l’évaluation des actions. Bon nombre de ces études utilisent ou informent sur des variables comptables. Dans un article publié dans KeAi’s Le Journal de la finance et de la science des données, Doron Nissim, professeur de comptabilité à la Columbia Business School aux États-Unis, a examiné une sélection de ces études et identifié plusieurs domaines cruciaux qui ont reçu relativement peu d’attention de la recherche à ce jour. Dans l’examen, le professeur Nissim développe deux d’entre eux : (1) l’utilisation des mégadonnées et des méthodes de ML pour mesurer les actifs incorporels ; et (2) l’incorporation de la structure économique, financière et comptable dans la mise en œuvre des algorithmes ML.

En ce qui concerne le premier point, le professeur Nissim note : « Les actifs incorporels développés de manière organique sont généralement omis du bilan, ce qui entraîne des états financiers faussés. Cela est principalement dû à l’incertitude associée aux actifs incorporels. Les tendances croissantes au cours des dernières décennies dans les actifs incorporels l’intensité et la volatilité économiques ont fait des bénéfices déclarés et de la valeur comptable de piètres approximations des bénéfices futurs. Par exemple, la recherche suggère que la sous-performance des facteurs de valeur au cours de la dernière décennie est en partie due à des mesures comptables telles que les bénéfices et la valeur comptable qui ne tiennent pas compte des actifs incorporels de plus en plus importants. actifs. »

Il ajoute : « L’augmentation spectaculaire de la disponibilité des données et les améliorations des méthodes de calcul et d’analyse des données permettent une mesure relativement précise des différents types d’actifs incorporels. Dans cette revue, j’examine quelques exemples récents et souligne la nécessité de poursuivre les recherches dans ce région. »

En ce qui concerne l’intégration de la connaissance du domaine et du ML, le professeur Nissim estime que les mégadonnées et les méthodes de ML ne doivent pas se substituer à un cadre robuste qui intègre une structure économique, financière et comptable. Il explique : « La validité hors échantillon des informations issues de l’exploration de données pure est souvent discutable. L’extraction d’informations à partir de données implique une extrapolation à partir de relations passées, mais dans certains cas, l’affirmation « cette fois, c’est différent » est en fait valable, ce qui rend cette extrapolation Dans le même ordre d’idées, le jugement doit souvent être incorporé, ce qui est difficile à faire lorsque les prévisions et les estimations sont dérivées de « boîtes noires ». Les modèles simples et traditionnels qui intègrent l’intuition économique et offrent plus de visibilité dans le processus d’estimation sont plus adaptés pour incorporer le jugement. »

Il conclut. « La première vague de modèles d’intelligence artificielle utilisait des systèmes experts, tandis que la seconde est passée au ML. Combiner les deux, par exemple en intégrant la connaissance du domaine et le ML, ou plus généralement passer de « l’homme contre la machine » à « l’homme plus la machine ». approche, peut donner des résultats supérieurs. Dans cette revue, je fournis plusieurs exemples pour étayer cette observation.

Fourni par KeAi Communications Co., Ltd.