机器学习、数据科学与金融行业
系列十四：人工智能，大数据和投资管理（5）
4. 在卖方研究中运用AI和另类数据分析 （GOLDMAN SACHS）
• 背景
Goldman Sachs的全球投资研究数据策略团队直接和全球权益和宏观分析师一起工作，负责需要数据分析和量化技能的项目。在过去的两年多，这个团队协同发布了200多个研究分析，跨越全球的多个区域和市场。所使用的数据集包含移动应用、社交媒体、卫星影像、政府数据和新闻，结合高级数据分析技术例如聚类分析或者语义分析，能够产生独特的投资洞察力。
一个例子就是由首席权益分析师Jerry Revich, CFA在2019年1月17日发布的“GS Aggregates Share Tracker: Geospatial Assessment Points to Pricing Upside,”利用公开的地理空间数据把本地市场份额估算映射到本地人口统计。
• 分析方法
“GS Aggregates Share Tracker“回答了关于原材料行业的零售业态的一些问题：
1） 如何理解一个超局部行业的定位和安置？
2） 如何在一个私有化竞争的领域表示一个公开上市公司的市场份额？
3） 如何让投资专业人士直观感知针对体量总计下公司的季度结果？
在混泥土行业(采砂，砂粒，碎石)，体量的增长和定价边际是两个非常重要的关键指标。市场是超级局部的，也就是说在25英里范围内计算市场份额比在州或者国家级别内计算要精确的多。识别一个公司的采石场的位置且提供采石场级别的产量估算会加深分析师对公司状况的理解。用地理信息跟踪公司的运营可帮助洞察公司运营情况。
上图展示了Martin Marietta（MLM）和Vulcan Materials（VMC）的对比情况。
通过这种方式可以了解公司的战略：聚焦市场是哪里？M&A如何潜在地影响公司的定位？哪里的定价边际最为重要？分析师可以估算其季度增长作为其盈利能力地一个测算，另外可以更好地理解市场份额漂移和定价的影响，进而估计公司级别的对天气事件的风险敞口，例如洪水或者飓风。
• AI/其他分析方法
GS Aggregates Share Tracker结合了公司数据和公开的采石场数据。实体映射使用了NLP技术、公司特定数据和分析师的领域知识。
• 团队结构和开发过程
为了给买方客户提供更好且更多不同的投资洞察力，使用其他数据和机器学习实现三个功能：
1） 结合领域知识
2） 可访问所有相关信息，包括适合的传统数据源和其他数据源。
3） 采用高级分析技术提取相关有价值的信息
量化研究团队和分析团队都全程参与了模型构建过程，整个过程是迭代进行的，从最开始的针对特定企业发展到9000多个美国采矿场。
• 关键点
1） 不要低估高级分析技术挖掘alpha收益的潜在能力。
2） 相比于某个特殊领域的投资组合经理，另类数据对于系统性地投资经理显得并非必要。
3） 单一数据和单一方法并不能称为一个研究项目地核心驱动力。
4） 其他数据和传统数据经常需要结合使用。
