Home Notizie recenti Trovare l’azienda (o le aziende) dei colleghi

Trovare l’azienda (o le aziende) dei colleghi

18
0
Giornale di scienza dei dati finanziari“larghezza=”600” altezza=”530″>
Credito: Giornale di scienza dei dati finanziari

Le persone a scuola, nei luoghi di lavoro e in molti altri contesti spesso considerano utile trovare un gruppo di coetanei con cui lavorare o socializzare. Ma può anche essere utile organizzare le aziende in gruppi di pari, afferma Manish Singh, studente di dottorato presso il Dipartimento di Ingegneria Elettrica e Informatica. “In questo modo, ad esempio, si può aiutare gli investitori ad avere un’idea migliore del mercato e consentire alle agenzie governative di vedere come sta andando un particolare settore dell’economia”.

La pratica del “raggruppamento tra pari di settore” è formalmente in corso almeno dal 1937 e ora esistono diversi schemi di classificazione. Un problema con gli approcci standard alla classificazione è che in genere si basano su una sola fonte di informazioni, come resoconti scritti di ciò che fa un’azienda o un’etichetta che caratterizza l’area generale in cui si trovano i prodotti ei servizi di un’azienda. Ma ora, con l’avvento dei “Big Data”, ci sono molte più fonti di informazioni a cui si potrebbe potenzialmente attingere, come i dati finanziari, le notizie, i rendimenti azionari di un’azienda, le politiche ESG (ambientali, sociali e di governance) e così via via. Un nuovo sistema di classificazione basato sull’intelligenza artificiale, sviluppato dai ricercatori del MIT e dal fornitore di soluzioni di investimento MSCI, è progettato per raccogliere informazioni da più fonti al fine di trovare elementi in comune tra le aziende. “Questa è la grande differenza tra il nostro sistema e gli approcci più convenzionali”, afferma Singh.

Peter Zangari, Global Head of Research and Product Development di MSCI, è d’accordo. “Stiamo dicendo che ci sono altri fattori nella determinazione di un gruppo di pari rispetto al settore in cui si trova una particolare azienda”, sostiene. “Il nostro approccio è molto più generale di quello. In pratica possiamo utilizzare qualsiasi informazione disponibile elettronicamente registrata”.

Il peer group di settore è importante per gli asset manager, spiega Zangari, “perché quando si mette insieme un portafoglio di investimenti, si vuole sapere quali società sono simili, quali sono diverse e quanto sono correlate tra loro. Se lo sono troppo altamente correlato, il portafoglio diventa non diversificato e ciò aumenta il rischio”.

Vedi anche:  I farmaci immunoterapici rafforzano il trattamento del cancro della testa e del collo

La collaborazione del MIT con MSCI è iniziata due anni fa, quando MSCI ha riconosciuto che il loro modo di classificare le aziende potrebbe trarre vantaggio dall’input dell’apprendimento automatico. Pensando a potenziali partner con esperienza in quel campo, i rappresentanti dell’azienda si sono incontrati con Andrew W. Lo, il Professore Charles E. e Susan T. Harris e direttore del Laboratory for Financial Engineering presso la Sloan School of Management, ed è stata avviata una partnership di ricerca successivamente forgiato con un gruppo del MIT assemblato da Lo. Un risultato di questa collaborazione è l’AI-driven Peer Grouping System (AIPGS), di cui si parla in un documento pubblicato questa primavera in Il giornale di scienza dei dati finanziari e ristampato il 15 luglio 2022.

La componente AI di AIPGS entra in gioco in più passaggi. Il primo passaggio, secondo Singh, prevede “l’estrazione di funzionalità dai vari set di dati e la conversione di tali funzionalità in una forma che può essere utilizzata dai nostri algoritmi”. Supponiamo, ad esempio, che ci sia un documento di testo che descriva cosa sta facendo un’azienda. Vengono quindi utilizzati algoritmi di elaborazione del linguaggio naturale in modo che un computer possa interpretare e comprendere il testo. Se ci fossero 100 descrizioni scritte, un giro di analisi potrebbe determinare quante delle parole in una descrizione compaiono anche in altre descrizioni. Un computer potrebbe anche capire quali aziende sono menzionate insieme negli stessi articoli di notizie e con quale frequenza ciò si verifica. Tali informazioni potrebbero essere visualizzate su un grafico, un oggetto matematico in cui ogni azienda è rappresentata da un nodo o un vertice e vengono tracciate linee o “bordi” tra nodi diversi quando le società sono citate insieme nello stesso articolo. Una serie di strumenti della teoria delle reti può quindi essere applicata per analizzare le informazioni incapsulate in questa forma (grafica).

Vedi anche:  Le nanoparticelle di recente sviluppo mostrano risultati promettenti per la localizzazione e la rimozione delle lesioni dell'endometriosi

Il passaggio successivo, dopo che tutte queste informazioni sono state fornite agli algoritmi, consiste nell’utilizzare tecniche di apprendimento automatico come la regressione della cresta, una metodologia per l’apprendimento delle relazioni tra due variabili, al fine di quantificare le somiglianze tra le aziende. Questo indica un altro vantaggio di AIPGS. Oltre ad attribuire un’etichetta comune, diciamo, a 10 aziende e dirti che appartengono tutte allo stesso gruppo, come fanno in genere i metodi convenzionali, Singh dice, “il nostro sistema può dirti il ​​grado di somiglianza e valutarle effettivamente. Tra i 10 , quali sono più simili o più dissimili?”

Un altro attributo di AIPGS è che può scoprire, come afferma il documento, relazioni e “gruppi che non sono catturati nei sistemi di classificazione esistenti … AIPGS ha anche catturato raggruppamenti che possono sembrare non intuitivi o sorprendenti a prima vista”. Nel 2014, ad esempio, il modello ha raggruppato eBay con società finanziarie come Mastercard e Visa, una decisione che potrebbe sembrare sconcertante finché non ci si rende conto che, all’epoca, eBay possedeva PayPal. Nel 2018, tre anni dopo la separazione di eBay da PayPal, AIPGS lo ha inserito, in modo più intuitivo, nel settore dell’e-commerce.

A volte il modello trova correlazioni difficili da capire per un osservatore esterno (umano). Questo può essere visto sia come un punto di forza che come un punto debole del sistema, afferma Singh. Potrebbe essere considerato un punto di forza semplicemente perché l’IA può, nel corso dell’assimilazione di grandi quantità di dati, vedere cose – e discernere schemi – che vanno oltre la capacità percettiva degli esseri mortali. Rendere comprensibili tutte le conclusioni dell’AIPGS sarebbe una sfida, aggiunge Singh. “Alcuni degli strumenti dell’apprendimento automatico possono essere paragonati a una ‘scatola nera’ e altri non sono di quel tipo. Un approccio sarebbe quello di fare affidamento su metodi di intelligenza artificiale più trasparenti e non come una scatola nera. Il nostro obiettivo è quello di esplora la possibilità di rendere i modelli più trasparenti in futuro.”


Articolo precedenteL’automazione accelera la ricerca di proteine ​​stabili
Articolo successivoLa Nuova Zelanda sta promuovendo un’economia dell’idrogeno verde, ma dovrà affrontare grandi ostacoli ambientali e culturali