Российские ученые разработали комбинированный метод, позволяющий на 30 % повысить точность прогноза по ряду показателей прибыльности у высокотехнологичных компаний. Он основан на алгоритмах машинного обучения и анализе временных данных. Результаты исследования ученых опубликованы в журнале Mathematics, сообщила пресс-служба Томского политехнического университета.
Для анализа ученые взяли различные финансовые и операционные показатели 1 811 компаний за период с 2013 по 2018 годы и сгруппировали их в 10 866 наблюдений. Так, они рассматривали в динамике доходы от продаж, валовую и операционную прибыль, чистую прибыль, рентабельность активов (ROA), рентабельность капитала (ROE), уровень долговой нагрузки, а также динамику рынка и рыночные доли компаний.
«Проблема прогнозирования прибыльности сегодня решается различными методами, в том числе с помощью машинного обучения. Однако практически все эти исследования основываются на линейных моделях и не учитывают временные переменные и панельные данные. Это многоразмерный набор данных, полученных в результате наблюдений в разные временные моменты. В контексте современных экономических вызовов, когда успешные инвестиционные решения требуют от владельцев компаний и инвесторов все более точных прогнозов, комплексные аналитические модели позволят глубже понять, как изменения в прибыльности сказывается на эффективности компании в будущем и учесть эти изменения при составлении прогнозов», — отмечает один из авторов исследования, доцент отделения экономики и организации производства Томского политехнического университета Владислав Спицын.
Ученые разработали комбинированный подход для прогнозирования прибыльности. Он основан на машинном обучении, регрессии со случайными эффектами и кластеризации, которая учитывает тренды и волатильность данных.
Результаты исследования показали, что внедрение модели позволило увеличить точность предсказания доходности на акционерный капитал (ROE) на 30 %: если до применения метода политехников средняя ошибка прогноза ROE составляла около 5 %, то после ее использования она снизилась до 3,5 %. Это стало возможным благодаря более детальному анализу сезонных колебаний и выявлению тенденций, которые могли быть упущены при использовании традиционных методов.
«Разработанный нами метод позволяет разбить прибыль на три составляющие: тренд, сезонность и остаточную компоненту, что позволило значительно улучшить качество прогнозов. Эта методология применима к компаниям, занимающимся высокими технологиями, эффективность работы которых нередко подвержена значительным колебаниям. Так, использование алгоритмов машинного обучения позволило достичь снижения среднеквадратичной ошибки (MSE) прогнозов прибыли на 25 % по сравнению с методами простых временных рядов», — добавляет соавтор исследования, доцент отделения информационных технологий Томского политехнического университета Никита Мартюшев.
Расчеты ученых показали, что в новой модели на прогноз рентабельности текущего года имеет сильное влияние трендовая составляющая рентабельности прошлых лет и динамики продаж текущего года. Так, тенденция роста рентабельности может нарушиться при падении продаж текущего года, но если продажи в текущем году увеличатся, рентабельность вырастет.
«В целом построенная новая модель позволила добиться хорошей точности прогнозирования, когда медиана абсолютной ошибки снижается до 3,47 для ROA и до 5,72 для ROE. Ошибка 50 % фирм не превышает 3,47 и 5,72 соответственно. Это хороший прогнозируемый результат для фирм, работающих в высокотехнологичных отраслях, рентабельность которых характеризуется высокой волатильностью. Мы планируем протестировать предложенный гибридный метод на предприятиях из других секторов российской экономики (обрабатывающая промышленность, добыча полезных ископаемых и другие) для оценки их применимости в других отраслях и сделать выводы о сходствах и различиях в политике управления», — подытоживает соавтор статьи, доцент отделения экономики и организации производства ТПУ Любовь Спицына.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
