DCF модели от AI
Ручная (old-school) фундаментальная аналитика по акциям требует высокого профессионализма, доступа к уникальной информации и значительных трудозатрат. Именно по этой причине её практически не найти в открытом доступе. В качестве источника информации для ручной аналитики используются такие известные поставщики данных как Reuters Refinitive Eikon, Bloomberg, китайская Wind.
Из-за роста спроса на аналитическую поддержку со стороны частных инвесторов и роста популярности интернет порталов в последние 20-30 лет получили широкое распространение аналитические порталы, такие как investing.com, morningstar.com, zacks.com и др. К сожалению, при внимательном анализе они предлагают низкокачественную аналитику и часто привлекают внимание инвесторов к шуму.
Наконец начиная с 2019-2020 годов стали появляться автоматизированные DCF модели рассчитанные тем или иным математическим алгоритмом (программой, AI). Некоторые из них были совсем простыми и наивными, но конкурируя за клиентов они задали вектор совершенствования качества, который вероятно определит эволюцию рынка фундаментальной аналитики в следующие 30 лет. Также стоит отметить, что одним из факторов развития DCF моделей от AI стало преодоление монополии на информацию от ведущих поставщиков данных: появились порталы для цифровой аналитики недорого продающие лицензированные данные плюс Bloomberg запустил проект third-party app.
На слайде ниже представлены преимущества и недостатки ключевых технологий с помощью которых в современном мире производится подготовка фундаментальной аналитики по акциям.
На слайде ниже представлены траектории диффузии (проникновения на рынок) ключевых технологий для фундаментальной аналитики по акциям и нанесенные на эти траектории моменты появления продуктов от основных компаний-участников.
В ходе совершенствования AI-технологии для DCF моделей с рынка очень быстро будут вытесняться преобладающие сейчас сейчас низкокачественные DCF модели, поэтому важно понимать что такое качественные DCF модели и почему разумному инвестору они действительно нужны?
Требования к качественным DCF моделям представлены на слайде ниже. Достичь повышения качества можно только на конкурентной основе.
Основное преимущество которое AI имеет перед челвеком состоит в том, что AI способен быстро и без предвзятости в экспертных суждениях обрабатывать огромные массивы информации. При этом существенным ограничением AI являются алгоритмы и границы самообучения, в том числе риск переобучения (overfitting), поэтому человеку-аналитику место всегда найдется, его основная функция будет связана с выбором между сценариями предложенными AI на основе разумного смысла плюс поиск уникальной (не интерпретируемой AI) информации. Таким образом, применение AI в создании DCF моделей приведет к эволюции функций аналитика, при одновременном расширении его производительности.
На слайде ниже представлены основные предвзятости в экспертных суждениях которые AI способен преодолеть.
Уже сейчас очевидны следующие основные возможности, которые AI имеет для повышения качества DCF моделей (см. слайд ниже).
Понимая, что основные перспективы развития AI технологии для DCF моделей еще впереди, надо сказать что уже сейчас отдельные возможности оказываются востребованы профессиональными аналитиками.
На слайде ниже перечислены основные возможности (функционал) приложения Цифровой Финансовый Аналитик - www.difan.xyz
При этом сравнительный анализ показывает, что приложение Цифровой Финансовый Аналитик - www.difan.xyz выделяется качеством и проработкой AI технологии и функционала среди приложений-аналогов (см. два слайда ниже)
Пример того как с помощью приложения Цифровой Финансовый Аналитик - www.difan.xyz проводится оценка справедливой стоимости акции на основе чего принимается решение о включении этой акции в инвестиционный портфель можно посмотреть в следующем видео
Также по ссылке ниже можно скачать пример экспорта DCF модели из приложения Цифровой Финасовый Аналитик - www.difan.xyz в формате xlsx-файла. При наличии у аналитика уникальной информации влияющей на справедливую стоимость акции этот файл является стартовой точкой для корректировки DCF модели.
Из-за роста спроса на аналитическую поддержку со стороны частных инвесторов и роста популярности интернет порталов в последние 20-30 лет получили широкое распространение аналитические порталы, такие как investing.com, morningstar.com, zacks.com и др. К сожалению, при внимательном анализе они предлагают низкокачественную аналитику и часто привлекают внимание инвесторов к шуму.
Наконец начиная с 2019-2020 годов стали появляться автоматизированные DCF модели рассчитанные тем или иным математическим алгоритмом (программой, AI). Некоторые из них были совсем простыми и наивными, но конкурируя за клиентов они задали вектор совершенствования качества, который вероятно определит эволюцию рынка фундаментальной аналитики в следующие 30 лет. Также стоит отметить, что одним из факторов развития DCF моделей от AI стало преодоление монополии на информацию от ведущих поставщиков данных: появились порталы для цифровой аналитики недорого продающие лицензированные данные плюс Bloomberg запустил проект third-party app.
На слайде ниже представлены преимущества и недостатки ключевых технологий с помощью которых в современном мире производится подготовка фундаментальной аналитики по акциям.
На слайде ниже представлены траектории диффузии (проникновения на рынок) ключевых технологий для фундаментальной аналитики по акциям и нанесенные на эти траектории моменты появления продуктов от основных компаний-участников.
В ходе совершенствования AI-технологии для DCF моделей с рынка очень быстро будут вытесняться преобладающие сейчас сейчас низкокачественные DCF модели, поэтому важно понимать что такое качественные DCF модели и почему разумному инвестору они действительно нужны?
Требования к качественным DCF моделям представлены на слайде ниже. Достичь повышения качества можно только на конкурентной основе.
Основное преимущество которое AI имеет перед челвеком состоит в том, что AI способен быстро и без предвзятости в экспертных суждениях обрабатывать огромные массивы информации. При этом существенным ограничением AI являются алгоритмы и границы самообучения, в том числе риск переобучения (overfitting), поэтому человеку-аналитику место всегда найдется, его основная функция будет связана с выбором между сценариями предложенными AI на основе разумного смысла плюс поиск уникальной (не интерпретируемой AI) информации. Таким образом, применение AI в создании DCF моделей приведет к эволюции функций аналитика, при одновременном расширении его производительности.
На слайде ниже представлены основные предвзятости в экспертных суждениях которые AI способен преодолеть.
Уже сейчас очевидны следующие основные возможности, которые AI имеет для повышения качества DCF моделей (см. слайд ниже).
Понимая, что основные перспективы развития AI технологии для DCF моделей еще впереди, надо сказать что уже сейчас отдельные возможности оказываются востребованы профессиональными аналитиками.
На слайде ниже перечислены основные возможности (функционал) приложения Цифровой Финансовый Аналитик - www.difan.xyz
При этом сравнительный анализ показывает, что приложение Цифровой Финансовый Аналитик - www.difan.xyz выделяется качеством и проработкой AI технологии и функционала среди приложений-аналогов (см. два слайда ниже)
Пример того как с помощью приложения Цифровой Финансовый Аналитик - www.difan.xyz проводится оценка справедливой стоимости акции на основе чего принимается решение о включении этой акции в инвестиционный портфель можно посмотреть в следующем видео
Также по ссылке ниже можно скачать пример экспорта DCF модели из приложения Цифровой Финасовый Аналитик - www.difan.xyz в формате xlsx-файла. При наличии у аналитика уникальной информации влияющей на справедливую стоимость акции этот файл является стартовой точкой для корректировки DCF модели.
Пример экспорта DCF модели из приложения Цифровой Финансовый Аналитик - www.difan.xyz в формате xlsx-файла (XLSX, 597 Кб)