Как предсказать, какие компании превзойдут или не оценят результаты своих аналитиков
Котирующиеся на бирже компании составляют квартальные отчеты о прибылях и убытках, которые могут вызвать значительные колебания цен, если результаты отклоняются от оценок аналитиков. Это связано с тем, что, согласно гипотезе эффективного рынка, цены на активы полностью отражают всю доступную информацию и, как результат, будут влиять на согласованные оценки. В этой статье мы увидим, как мы можем использовать машинное обучение, чтобы предсказать, превзойдет ли компания ее оценки или нет.
Данные
Мы учитываем оценки аналитиков EPS из базы данных оценок Thomson Reuteurs I / B / E / S, загруженные с Sentieo. База данных собирает и обобщает оценки, сделанные аналитиками для более чем 20 показателей. Для каждой компании нам даны Среднее, #Estimates, Low, High и Actual значения оценок, как показано ниже:
К сожалению, с этой базой данных у нас есть только 70 точек данных для каждой компании, что недостаточно для прогнозирования доходов одной компании на основе ранее объявленных результатов и их оценок по количеству ударов / промахов по сравнению с оценками, но вместо этого мы можем переосмыслить проблему, чтобы увеличить число. точек данных.
Вместо того чтобы спрашивать себя, превзойдет ли компания оценки или нет, мы можем спросить, будут ли оценки выше или ниже фактических значений.
Затем мы нормализуем значения, чтобы агрегировать их. В этом случае мы будем рассматривать следующие особенности нашей модели:
- # Оценки
- Низкий / Средний%
- Высокий / Средний%
- Фактический / средний%
Затем мы решили агрегировать оценки по секторам, чтобы проверить гипотезу о том, что аналитики (не) способные точно прогнозировать прибыль будут связаны с природой фирм. В этом исследовании мы сосредоточимся на акциях здравоохранения.
Затем мы взяли более 6000 оценок для следующих 117 компаний:
AAC, ABT, ABBV, ACHC, XLRN, ACOR, AERI, AGIO, AIMT, AKCA, AKBA
, AKRX ',' ALXN ',' ALGN ',' ALKS ',' AGN ',' ALNY ',' AMRN ',' AMGN '
,' FOLD ',' ARRY ',' ASND ',' AZN ', ATRA, ATRC, AVNS
, BHC, BAX, BDX, BCRX, BMRN, TECH, BEAT, СИНИЙ
, 'BSX', 'BMY', 'CBM', 'CAH', 'CSII', 'CELG', 'CNC', 'CRL', 'CHE', 'CBPO'
, 'CNMD', CORT, CRY, DVA, XRAY, DXCM, EHC, ESPR, EXAS
, EXEL, FGEN, FMS, GHDX ',' GILD ',' GMED ',' GRFS ',' HAE ',' HALO ',' HCA '
,' HCSG ',' HSIC ',' HLF ',' HRTX ',' HRC ', HZNP, HUM, ICUI, IDXX, IMMU
, INCY, INVA, INGN, INSM, IART, ISRG, IONS ',' IOVA ',' JAZZ '
,' LGND ',' LIVN ',' LMNX ',' MGLN ',' MASI ',' MCK ',' MMSI ',' MOH ',' MSA ', MYL, NEOG, NEO, NBIX, NVO, NUS, NUVA, OPK, OFIX, PDCO, PAHC, DGX, RMD ',' SEM ',' ONCE ',' STE ',' SYNH ',' TFX ',' COO ',' USPH ',' UNH ',' UHS ',' VAR ',' VRTX ',' WBA ', 'ZBH'
Обработка данных
Мы загрузили данные в AuDaS, платформу науки и образования, созданную для аналитиков компанией Mind Foundry. Чтобы повысить точность модели, мы создали новый столбец, который показывает, было ли фактическое значение выше (1) или ниже (-1), чем фактическое значение (в отличие от%).
Мы также можем визуализировать данные с помощью автоматически сгенерированных гистограмм и увидеть, как доли / промахи распределяются по другим характеристикам.
Построение нашей модели машинного обучения
Поскольку мы прогнозируем столбец Beat / Miss, мы построим классификатор, исключая столбец Actual / Mean. Мы также будем придерживаться рекомендуемых конфигураций обучения, которые автоматически выбираются AuDaS для предотвращения чрезмерной подгонки (10-кратная перекрестная проверка и 10% задержка для проверки).
Затем AuDaS начнет поиск лучшей модели машинного обучения, используя собственный оптимизатор Mind Foundry, OPTaaS, который быстро зарекомендовал себя как любимый инструмент индустрии квантовых фондов для быстрой глобальной оптимизации и настройки гиперпараметров.
Менее чем за минуту AuDaS уже опробовала 37 различных моделей машинного обучения, и лучшим найденным решением стал простой классификатор повышения градиента. При наведении курсора на модель отображаются значения ее параметров:
Относительная релевантность функции для этой модели предполагает, что отношения «Низкое / Среднее», «Высокое / Среднее» содержат больше всего информации.
Тестирование модели
Затем мы можем протестировать модель на удержании 10%:
AuDaS достигла точности классификации 69,4%, и окончательный совет по здоровью модели был хорошим.
Заключение и дополнения
Обладая относительно небольшим количеством функций, AuDaS смог построить точную модель прогнозирования, которая может помочь инвестиционным аналитикам в их обзоре оценок IBES. Это может позволить им предвидеть значительные движения цен.
Расширением этого исследования будет использование функции кластеризации AuDaS для группировки оценок по нескольким секторам. Это позволило бы нам проверить гипотезу о том, что другие факторы, такие как корпоративное управление, будут влиять на соотношение оценок / промахов больше, чем сектор.
Если вам интересно узнать, как клиенты наших количественных и фундаментальных хедж-фондов используют AuDaS для анализа рисков и управления инвестициями, не стесняйтесь обращаться ко мне по электронной почте или LinkedIn. Вы также можете прочитать еще несколько примеров из практики ниже:
Примечание редакторам Data Science. Хотя мы разрешаем независимым авторам публиковать статьи в соответствии с нашими правилами и рекомендациями, мы не поддерживаем вклад каждого автора. Не следует полагаться на работы автора без консультации с профессионалами. См. Подробности в наших Условиях для читателей.
[ОБНОВЛЕНИЕ: я основал техническую компанию. Вы можете узнать больше здесь]
Команда и ресурсы
Mind Foundry - дочернее предприятие Оксфордского университета, основанное профессорами Стивеном Робертсом и Майклом Осборном, у которых 35 человеко-лет в области анализа данных. Команда Mind Foundry состоит из более чем 30 исследователей машинного обучения мирового уровня и элитных инженеров-программистов, многие из которых в прошлом были докторантами Оксфордского университета. Кроме того, Mind Foundry имеет привилегированный доступ к более чем 30 кандидатам машинного обучения Оксфордского университета благодаря своему статусу отделения. Mind Foundry является портфельной компанией Оксфордского университета, и ее инвесторами являются Oxford Sciences Innovation, Оксфордский фонд технологий и инноваций, Инновационный фонд Оксфордского университета и Parkwalk Advisors.
