Оценка стоимости компании с использованием методов машинного обучения

Целью работы является тестирование гипотезы о возможности применения методов машинного обучения для разработки моделей, позволяющих точно спрогнозировать рыночную капитализацию предприятия на основании данных трех основных форм финансовой отчетности: отчета о финансовых результатах, бухгалтерского баланса, отчета о движении денежных средств.

Научная новизна исследования заключается в предложении альтернативного подхода к актуальной проблеме финансов —  оценке стоимости компании. Проверить рассматриваемую гипотезу позволяет проведенное эмпирическое исследование, в рамках которого осуществлялось создание моделей с использованием наиболее популярных методов машинного обучения (Lasso, Elastic Net, KNN, Random Forest, SVM и др.). С целью определения лучшего подхода для оценки бизнеса сопоставлена эффективность различных методов на основании показателя R² (86,7% для метода GBDT). Информационной базой выступают данные отчетности компаний, котирующихся на биржах NYSE и NASDAQ. В ходе исследования автор также решает проблему интерпретируемости полученных моделей. Выявлены наиболее важные признаки —  формы финансовой отчетности и конкретные их статьи, оказывающие наибольшее влияние на капитализацию предприятия. Три независимых способа оценки важности признаков указывают на особую ценность информации, содержащейся в данных отчета о финансовых результатах. В частности, наиболее значимыми для высокоточных прогнозов оказались данные о совокупном доходе (Comprehensive income). Также выделены наиболее предпочтительные методы трансформации и вменения отсутствующих данных для финансовой отчетности. Рекомендованы различные способы усовершенствования разработанных моделей с целью достижения еще более высокой точности оценок.

Сделан вывод, что машинное обучение можно применять как более точный, непредвзятый и менее затратный способ оценки стоимости компании. Анализ важности признаков может быть использован для понимания и дальнейшего изучения процесса формирования стоимости компании.

1. Kryzanowski L., Galler M., Wright D. W. Using artificial neural networks to pick stocks. Financial Analysts Journal. 1993;49(4):21–27. DOI: 10.2469/faj.v49.n4.21

2. Cao L. AI in finance: A review. SSRN Electronic Journal. 2020. DOI: 10.2139/ssrn.3647625

3. Damodaran A. Investment valuation: Tools and techniques for determining the value of any asset. Hoboken, NJ: John Wiley & Sons, Inc.; 2012. 992 p.

4. Cybenko G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems. 1989;2(4):303–314. DOI: 10.1007/BF02551274

5. Gu S., Kelly B., Xiu D. Empirical asset pricing via machine learning. The Review of Financial Studies. 2020;33(5):2223–2273. DOI: 10.1093/rfs/hhaa009

6. Тихонов А. Н. О решении некорректно поставленных задач и методе регуляризации. Доклады Академии наук. 1963;151(3):501–504. URL: http://www.mathnet.ru/links/76d17d1b225aa6609693b033d8ad3c25/dan28329.pdf

7. Tibshirani R. Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological). 1996;58(1):267–288. DOI: 10.1111/J.2517–6161.1996.tb02080.x

8. Hindman M. Building better models: Prediction, replication, and machine learning in the social sciences. The Annals of the American Academy of Political and Social Science. 2015;659(1):48–62. DOI: 10.1177/0002716215570279

9. Carvalho D. V., Pereira E. M., Cardoso J. S. Machine learning interpretability: A survey on methods and metrics. Electronics. 2019;8(8):832. DOI: 10.3390/electronics8080832

10. Damodaran A. Valuation approaches and metrics: A survey of the theory and evidence. Hanover, MA: Now Publishers Inc.; 2007. 104 p.

11. Pinto J. E., Robinson T. R., Stowe J. D. Equity valuation: A survey of professional practice. Review of Financial Economics. 2019;37(2):219–233. DOI: 10.1002/rfe.1040

12. Böhm-Bawerk E. Recent literature on interest (1884–1899): A supplement to “Capital and interest”. New York: The MacMillan Co.; 1903. 151 p.

13. Atsalakis G. S., Valavanisb K. P. Surveying stock market forecasting techniques — Part II: Soft computing methods. Expert Systems with Applications. 2009;36(3):5932–5941. DOI: 10.1016/j.eswa.2008.07.006

14. Xing F. Z., Cambria E., Welsch R. E. Natural language based financial forecasting: A survey. Artificial Intelligence Review. 2018;50(1):49–73. DOI: 10.1007/s10462–017–9588–9

15. Park B., Bae J. K. Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data. Expert Systems with Applications. 2015;42(6):2928–2934. DOI: 10.1016/j.eswa.2014.11.040

16. Whitbeck V. S., Kisor M., Jr. A new tool in investment decision-making. Financial Analysts Journal. 1963;19(3):55–62. DOI: 10.2469/faj.v19.n3.55

17. Коклев П. C. Влияние участия государства в акционерном капитале на стоимость компании. Тенденции развития науки и образования. 2020;(60–8):14–18. DOI: 10.18411/lj-04–2020–154

18. Joshi H., Chauha R. Determinants and prediction accuracy of price multiples for South East Asia: Conventional and machine learning analysis. Indonesian Capital Market Review. 2020;12(1):42–54. DOI: 10.21002/icmr.v12i1.12051

19. Liu J., Nissim D., Thomas J. Equity valuation using multiples. Journal of Accounting Research. 2002;40(1):135– 172. DOI: 10.1111/1475–679X.00042

20. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. 2nd ed. New York: Springer-Verlag; 2016. 767 p. (Springer Series in Statistics). DOI: 10.1007/978–0–387–84858–7

21. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: Unbiased boosting with categorical features. In: Proc. 32nd Int. conf. on neural information processing systems (NIPS’18). (Montréal, December 3–8, 2018). New York: Curran Associates Inc.; 2018:6639–6649. URL: https://proceedings.neurips.cc/paper/2018/file/14491b756b3a51daac41c24863285549-Paper.pdf

22. Ioannidis J., Doucouliagos C. What’s to know about the credibility of empirical economics? Journal of Economic Surveys. 2013;27(5):997–1004. DOI: 10.1111/joes.12032

23. Bergstra J., Bengio Y. Random search for hyper-parameter optimization. Journal of Machine Learning Research. 2012;13(2):281–305. URL: https://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf

24. Breiman L. Random forests. Machine Learning. 2001;45(1):5–32. DOI: 10.1023/A:1010933404324

25. Shapley L. S. A value for n-person games. In: Kuhn H. W., Tucker A. W., eds. Contributions to the theory of games. Vol. II. Princeton, NJ: Princeton University Press; 2016:307–318. DOI: 10.1515/9781400881970–018

26. Banko M., Brill E. Scaling to very very large corpora for natural language disambiguation. In: Proc. 39th Annu. meet. of the Association for Computational Linguistics (ACL’01). (Toulouse, July 06–11, 2001). Stroudsburg, PA: Association for Computational Linguistics; 2001:26–33. DOI: 10.3115/1073012.1073017

27. Buck S. F. A method of estimation of missing values in multivariate data suitable for use with an electronic computer. Journal of the Royal Statistical Society. Series B (Methodological). 1960;22(2):302–306. DOI: 10.1111/j.2517–6161.1960.tb00375.x

28. Munkhdalai L., Munkhdalai T, Namsrai O.-E., Lee J. Y., Ryu K. H. An empirical comparison of machine-learning methods on bank client credit assessments. Sustainability. 2019;11(3):699. DOI: 10.3390/su11030699

29. Huber P. J. Robust estimation of a location parameter. In: Kotz S., Johnson N. L., eds. Breakthroughs in statistics: Methodology and distribution. New York: Springer-Verlag; 1992:492–518. (Springer Series in Statistics). DOI: 10.1007/978–1–4612–4380–9_35

30. Sehrawat S. Learning word embeddings from 10-K fi lings for fi nancial NLP tasks. SSRN Electronic Journal. 2019. DOI: 10.2139/ssrn.3480902

31. Ковалев В. В., Драчевский И. С. Дивидендная политика как фактор управления стоимостью компании: сравнение тенденций на формирующихся рынках. Вестник Санкт-Петербургского университета. Экономика. 2020;36(1):95–116. DOI: 10.21638/spbu05.2020.105

32. Abramishvili N. R., Lvova N. A., Voronova N. S. Is it possible to assess the corporate market value in the emerging market? In: New challenges of economic and business development — 2019: Incentives for sustainable economic growth. Proc. 11th Int. sci. conf. (Riga, May 16–18, 2019). Riga: University of Latvia; 2019:12–21. URL: https://dspace.lu.lv/dspace/handle/7/48896 (дата обращения: 18.12.2021).