Translate

domenica 8 maggio 2016

ECCO COME, IN FUTURO, GLI ALGOS DEI FONDI METTERANNO NEL MIRINO LE BANCHE DA SHORTARE (O DA COMPRARE). PT.3

Qui trovate la seconda parte.
Facciamo un breve riepilogo.
  • Al fine di predire il rating futuro assegnato alle banche, con riguardo al progetto illustrato nei posts precedenti, verranno impiegati numerosi meta-learning algorithms utilizzando -al contempo- SVMs in qualità di base learners. La conferma della bontà del metodo prescelto potrà essere supportata confrontando i dati ottenuti da detta combinazione con quelli ottenibili utilizzando un altro base learner come il MLP (clicca qui).
  • Allo stato attuale, sembra che il RSS Method performi meglio rispetto ad altri meta-learning algorithms (multiboosting, adaboosting, bagging, dagging, rotation forest). Il RSS Method, come detto, utilizza molti base learners sistematicamente costruiti selezionando in maniera casuale sottoinsiemi dei componenti del vettore di riferimento.
Gli algos, quindi, andranno a sfruttare l'accresciuto -per gli stakeholders- valore delle dichiarazioni a contenuto finanziario. Anche se le strutture di tali dichiarazioni risultano essere funzione della legislazione contabile del Paese di riferimento, la qualità delle informazioni rese pubbliche è -normalmente- oggetto di valutazione da parte di esperti del settore.
Il management comunica i risultati finanziari agli stakeholders nella parte testuale dei reports annuali: questo vale per tanto per le banche quanto per le società non bancarie. Nonostante le differenze -anche normative- legate ai settori produttivi di appartenenza, banche e società non bancarie sono obbligate a rendere pubbliche vere e non distorte informazioni circa le rispettive attività.
L'estensione e la qualità del contenuto informativo versato nei reports aventi ad oggetto le attività economiche, espressione della disciplina vigente, presentano fattori di rilevanza quantitativa e qualitativa, ragion per cui gli algos le utilizzeranno -unitamente agli input propriamente finanziari- al fine di predire i rispettivi rating grades. In tal senso, i risultati di alcune recenti ricerche accademiche, mostrano che la significatività informativa del sentiment nascosto nei report annuali dovrebbe essere considerata un elemento determinante nei modelli di predizione degli stress finanziari riguardanti i vari tipi di società. Inoltre, i RSS meta-learning algorithms sembrano migliorare nettamente la performance dei base learners -SVM e MLP- specialmente nel caso delle banche.
In futuro, nuovi modelli previsionali potranno nascere dalla comparazione/integrazione tra il dictionary approach qui illustrato ed i machine learning algorithms come, ad esempio, quelli appartenenti al novero dei Naïve Bayes.