SuaraSekitar Terkini Kumpulan Berita dan Informasi dari berbagai sumber yang terpercaya
© Reuters. FOTO FILE: Seorang pria memegang komputer laptop saat kode siber diproyeksikan padanya dalam gambar ilustrasi yang diambil pada 13 Mei 2017. REUTERS/Kacper Pempel/Ilustrasi
2/2
Oleh Tommy Wilkes
LONDON (Reuters) – Para eksekutif, berhati-hatilah! Anda bisa menjadi musuh terburuk Anda sendiri.
CEO dan manajer lainnya semakin di bawah mikroskop karena beberapa investor menggunakan kecerdasan buatan untuk mempelajari dan menganalisis pola dan nada bahasa mereka, membuka diri batas baru peluang untuk tergelincir.
Pada akhir 2020, menurut spesialis perangkat lunak pola bahasa Evan Schnidman, beberapa eksekutif di TI industri mengecilkan kemungkinan kekurangan chip semikonduktor saat membahas gangguan rantai pasokan.
Semuanya baik-baik saja, kata mereka.
Namun nada bicara mereka menunjukkan tingkat ketidakpastian yang tinggi, menurut analisis algoritmik yang dirancang untuk menemukan petunjuk tersembunyi di – idealnya tanpa naskah – kata-kata yang diucapkan.
“Kami menemukan bahwa nada eksekutif sektor TI tidak konsisten dengan sentimen tekstual positif dari pernyataan mereka,” kata Schnidman, yang menasihati dua perusahaan fintech di balik analisis.
Dalam beberapa bulan setelah komentar, perusahaan termasuk Volkswagen (DE 🙂 dan Ford memperingatkan tentang kekurangan parah chip memukul output. Harga saham di perusahaan otomotif dan industri turun. Eksekutif TI sekarang mengatakan ada tekanan suplai. ‘ kata-kata, versus skor yang diberikan pada kata-kata tertulis, akan ditempatkan lebih baik sebelum gejolak industri.
Satu contoh tidak dapat bersaksi untuk keakuratan analisis pidato, karena kita tidak tahu apakah para eksekutif terlalu optimis pada awalnya atau dengan tulus mengubah pandangan mereka ketika keadaan berubah.
Beberapa investor tetap melihat teknologi – yang dikenal sebagai pemrosesan bahasa alami (NLP) – sebagai salah satu alat baru untuk mendapatkan keunggulan atas saingan, menurut wawancara Reuters dengan 11 manajer dana yang menggunakan atau menguji coba sistem tersebut. .
Mereka mengatakan bahwa data keuangan tradisional dan laporan perusahaan sangat ditambang saat ini sehingga mereka hanya menawarkan sedikit nilai.
‘SESUATU YANG SANGAT BERAT’
NLP adalah cabang dari AI di mana pembelajaran mesin dilepaskan pada bahasa untuk memahaminya, dan kemudian mengubahnya menjadi sinyal terukur yang memperhitungkan faktor dana menjadi perdagangan.
Perangkat lunak paling ambisius di bidang ini bertujuan untuk menganalisis nada yang dapat didengar, irama, dan penekanan kata-kata yang diucapkan di samping fraseologi, sementara yang lain mencari mengurai transkrip pidato dan wawancara dengan cara yang semakin canggih.
Slavi Marinov, kepala pembelajaran mesin di Man AHL, bagian dari perusahaan manajemen investasi Man Group senilai $135 miliar, mengatakan kepada Reuters bahwa NLP “salah satu area fokus penelitian utama” di dana berbasis komputer.
“Model ini mengubah sesuatu yang sangat berantakan menjadi sesuatu yang mudah dimengerti oleh quant,” katanya.
Memang para pendukung mengatakan NLP dapat membuka potensi yang belum dimanfaatkan untuk wawasan dari dunia dari “data tidak terstruktur”: panggilan dengan analis, T&J tanpa naskah, wawancara media.
Ini terbuka untuk diperdebatkan.
Sistem AI ini dapat menghabiskan biaya jutaan dolar untuk dikembangkan dan dijalankan, mengesampingkan banyak investor dan pengembang menyimpan kantong dalam atau ceruk. Beberapa juga berada pada tahap yang relatif eksperimental, tanpa data yang tersedia untuk umum untuk menunjukkan bahwa mereka menghasilkan uang. Dana yang diwawancarai menolak untuk menunjukkan bukti bahwa NLP dapat meningkatkan pengembalian, dengan alasan sensitivitas komersial.
Beberapa penelitian menunjukkan bahwa teknik ini dapat meningkatkan kinerja jika difokuskan di tempat yang cerdas.
Analisis pada bulan September oleh ahli strategi kuantitas Nomura menunjukkan hubungan antara kompleksitas bahasa eksekutif selama panggilan pendapatan dan saham. Bos AS yang menggunakan bahasa sederhana melihat saham perusahaan mereka mengungguli 6% per tahun sejak 2014, dibandingkan dengan mereka yang menggunakan kata-kata yang rumit.
Analis BofA menggunakan model yang menggunakan frase dalam panggilan pendapatan untuk memperkirakan tingkat default obligasi korporasi. Ini memeriksa ribuan frasa seperti “pemotongan biaya” dan “pembakaran uang” untuk menemukan frasa yang terkait dengan default di masa mendatang. Pengujian kembali model menunjukkan korelasi tinggi dengan probabilitas default, kata BofA.
Kedua sistem menganalisis transkrip.
Untuk grafik pada bahasa Sederhana vs kompleks:
https://fingfx.thomsonreuters.com/gfx/mkt/dwpkraezmvm/simpleearnings.PNG
MESIN MENGUKUR BUDAYA
Di tahun-tahun sebelumnya, pemrosesan bahasa di bidang keuangan telah menampilkan perangkat lunak dasar dan banyak dijual yang memberi peringkat berita atau posting media sosial berdasarkan sentimen . Ini kehilangan nilai dalam menghadapi model NLP yang semakin canggih, yang didorong oleh kemajuan teknologi dan turunnya biaya komputasi awan.
Terobosan datang pada tahun 2018 ketika pengembang merilis kode sumber di balik “pembelajaran transfer” NLP, yang memungkinkan model untuk dilatih sebelumnya pada satu kumpulan data kata dan kemudian mengerjakan yang lain, menghemat waktu dan uang.
Tim AI Google (NASDAQ:) telah merilis kode di balik beberapa model mutakhir yang telah dilatih sebelumnya pada model yang lebih besar kumpulan data.
Pengembang sistem saat ini mengatakan bahwa mereka mengolah puluhan ribu kata dengan kecepatan kilat, mengekstraksi pola dan mengukur derajat hubungannya dengan kata, frasa, dan ide “benih” tertentu yang signifikan, sebagaimana ditetapkan oleh pengguna.
Marinov dari MAN AHL melihat manfaat dalam analisis nada tetapi memiliki belum menggunakannya, fokus untuk saat ini pada petunjuk yang tersembunyi dalam teks tertulis.
Ini bisa berupa apa saja mulai dari membandingkan laporan tahunan dari waktu ke waktu hingga melihat untuk perubahan halus yang tidak jelas bagi pembaca, untuk mengukur sesuatu yang tidak berwujud seperti budaya perusahaan.
Hanya sedikit investor yang mencoba mengukur budaya perusahaan secara formal di masa lalu meskipun sangat penting untuk kinerja jangka panjang, terutama di bidang investasi LST yang panas dari pertimbangan lingkungan, sosial dan tata kelola.
Model Man AHL dapat memindai komentar para eksekutif untuk mencari kata atau frasa yang menunjukkan budaya “berorientasi pada tujuan”, serta pencarian melalui ulasan karyawan di situs karir Glassdoor.
Kai Wu, pendiri hedge fund Sparkline Capital, telah membuat “profil kepribadian” bagi perusahaan untuk mengukur kepatuhan mereka terhadap nilai-nilai budaya tertentu.
Dia memilih kata-kata benih yang dia yakini mencerminkan nilai-nilai tersebut. Model NLP-nya kemudian mengurangi volume kata yang besar menjadi sejumlah kecil kata dengan arti yang sama, dengan temuan yang dinyatakan secara numerik.
Menggunakan model NLP-nya pada komentar manajemen dan ulasan karyawan, ia menemukan bahwa perusahaan dengan budaya “istimewa” seperti Apple (NASDAQ:), Southwest Airlines (NYSE:) dan Costco (NASDAQ:) mengungguli.
Sebaliknya, bisnis AS yang menunjukkan “toksisitas” – di mana karyawan menggunakan idiom spesifik seperti “klub anak laki-laki yang baik” dan “anjing makan anjing” – berkinerja sangat buruk, kata Wu.
‘TIDAK ADA PERATURAN’
Dana tanpa sumber daya untuk menyewa ilmuwan data untuk membangun alat NLP mereka sendiri dapat dibeli dalam analisis dari perusahaan pihak ketiga, seperti saran Schnidman – fintech Aiera dan penyedia analisis nada Helios Life Enterprises – yang menjual layanan mereka kepada klien seperti lindung nilai dana.
Namun, Wu di Sparkline berpendapat bahwa dana harus mendapatkan data yang diturunkan dari NLP “sedekat mungkin dengan mentah” , dengan model in-house lebih disukai.
Teknologi menghadapi tantangan lain, dan memperbaikinya bisa memakan waktu.
Manajer Belanda
NN (NASDAQ:) Mitra Investasi menggunakan campuran data pihak ketiga dan modelnya sendiri, beberapa masih dalam tahap penelitian .
Salah satu proyek adalah melatih model untuk menemukan kata-kata yang memprediksi tingkat default obligasi, kata Sebastiaan Reinders, kepala ilmu investasi NNIP. Itu awalnya mengharuskan manajer portofolio untuk memeriksa daftar panjang frasa untuk secara manual memberi label positif atau negatif.
Sebagian besar model berfokus pada bahasa Inggris, dan pengembang dapat menghadapi tugas yang sulit untuk mengadaptasinya agar dapat membaca secara akurat sentimen dari orang-orang dari budaya berbeda yang berbicara bahasa lain.
Ditambah lagi, para eksekutif sedang berkembang.
Ketika George Mussalli, kepala investasi di PanAgora Asset Management yang berbasis di AS, mengatakan kepada bos perusahaan biotek bahwa AI dananya memindai para eksekutif’ komentar untuk semboyan, orang tersebut meminta daftar untuk membantu peringkat bisnisnya lebih tinggi.
Mussalli menolak permintaan tersebut tetapi mengatakan dokumen seperti transkrip panggilan pendapatan semakin “ditulis dengan baik”, merusak nilainya.
Namun, Marinov dari Man Group menganggap eksekutif pada akhirnya akan membuktikan tidak ada tandingan untuk mesin yang ditingkatkan dengan lebih banyak data.
“Tidak ada aturan, ini seperti mobil self-driving yang belajar sambil berjalan,” tambahnya. “Jadi dalam banyak kasus tidak mungkin memberi eksekutif daftar semboyan.”