首页 >人工智能 > 内容

麻省理工学院表示其预测模型优于华尔街基准

人工智能 2020-09-09 15:31:15

准确地预测企业的业绩是投资者,竞争对手和其他市场分析师的宝贵技能。现在,麻省理工学院正在重点介绍一种新模型,该模型通过引入新的数据源并实现流程自动化,从而挑战了常规,季度资产负债表编号和数据处理的典型组合。麻省理工学院认为,结果是:它的表现优于华尔街分析师。

该模型利用了“替代数据”(例如信用卡购买数据,智能手机位置数据,卫星图像等),其生成频率要比更直接的财务数据(例如股票价格和公布的收益)高。研究人员着手将替代数据与传统财务数据有效地结合在一起,这一壮举迄今被证明是困难的。

麻省理工学院博士后研究员,《替代数据预测》的第一作者迈克尔·弗莱德说:“替代数据是这些怪异的代理信号,可帮助跟踪公司的基础财务状况。我们问:“您能否将这些嘈杂的信号与季度数字结合起来,以高频率估算公司的真实财务状况?” 原来答案是肯定的。”

研究人员在三年内利用了34家零售商的消费者信用卡交易和季度财务报告,致力于将替代数据用作销售数量逐渐变化的替代。“我们有一个'小数据'问题,”弗莱德说。“您只能从人们的支出中得到一小部分,而且您必须从那部分数据中推断并推断出实际情况。”

他继续说:“这需要弄清楚数字的含义。” “如果我们通过信用卡交易观察到公司每周销售额的1%,我们怎么知道这是1%?如果信用卡数据有噪声,您如何知道它有多噪声?我们无法获取每日或每周销售总额的真实情况。但是季度汇总有助于我们对这些总计进行推理。”

使用标准推理算法的变体,该技术可以在已知信用卡数据的情况下计算出未知销售的可能性。为此,它首先将销售分成几天,将信用卡数据与未知的每日销售进行匹配,并允许每天的变化。除了估计的日销售量之外,该技术还可以生成噪声水平和估计的预测误差范围的度量。在测试的34家公司中,麻省理工学院研究人员的模型在实验中测试的季度预测中占57.2%,超过了华尔街分析师的总体基准。

展望未来,研究人员希望结合位置信息以及其他形式的替代数据,这些数据可能被证明可以用作销售数据的代理。他们还强调了金融业以外人士的潜在用途,例如研究社会行为的政治学家。“对于想弄清楚人们在做什么的人,这将很有用,”弗莱德说。“这不是我们能做的。这只是一个自然的起点。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢。