在预测企业未来收益方面，这个自动化模型竟比华尔街分析师还“牛”？

在金融投资领域，如何准确预测一家公司的未来收益一直是个难题。对于金融分析师而言，他们会依赖各种公开数据、计算工具和自己的直觉。

近日，麻省理工学院(MIT)的研究人员开发出了一种自动化模型，在使用非常有限的“嘈杂”数据预测企业销售方面，该模型的表现明显优于人类。

越来越多投资者喜欢用不那么精确的消费者数据(称为“替代数据”)来帮助预测公司的未来收益。替代数据包括信用卡购买、智能手机位置数据，甚至卫星图像显示有多少汽车停在零售商的门店前。

比起更传统的季度收益、新闻稿、股票价格等财务数据，替代数据可能利于更清晰地预测一家公司的财务状况。但到目前为止，使用替代数据很难得到准确、频繁的估计。

在近日《ACM Sigmetrics会议纪要》(Proceedings of ACM Sigmetrics Conference)上发表的一篇论文中，研究人员描述了一个财务预测模型，该模型只使用匿名的每周信用卡交易和三个月的收益报告。

该模型的任务是预测30多家公司的季度收益，其预测结果的57%超过了华尔街专家分析师的综合预测。

不过，使用替代数据的一个问题是数据量过少。如季度报告或每周信用卡总额等财务数据数量较少，还可能包含无法解释的不可用信息。金融分析师可以访问任何可用的私有或公共数据和其他机器学习模型，但研究人员的模型只使用了两种数据类型的非常小的数据集。

在研究中，研究人员获得了一家对冲基金2015年至2018年34家零售商的消费者信用卡交易数据(通常是每周和每两周一次)和季度报告。在所有公司中，他们总共收集了306个季度的数据。

为了整理、清洗数据，研究人员使用了标准推理算法的一种变体，称为卡尔曼滤波或信念传播(置信度传播)，它已经被用于从航天飞机到智能手机GPS的各种技术中。卡尔曼滤波利用在一段时间内观测到的包含噪声误差的数据测量，在指定的时间段内生成未知变量的概率分布。在研究人员的工作中，这意味着估计一天的可能销售额。

接下来，研究人员设计了一个模型来分析信用卡交易和其他替代数据的组合，比如位置信息。

“我们并不是只能做到这些。这只是一个自然的起点。” 第一作者、信息与决策系统实验室(LIDS)的博士后Michael Fleder说。