Marktwert-Schätzung (Equity Value)

Ursprünglich verwendete Nimbo ausschließlich Modelle der konventionellen Schließenden Statistik, um aus Unternehmenszahlen und Befragungsaussagen den Marktwert einer Firma zu schätzen. Dabei galt es, gleichzeitig die relative Stärke der verschiedenen Einflussfaktoren im Auge zu behalten (Feature Importance). Die Firma Nimbo nutzte bei der Bildung dieser Modelle ihr fundiertes Branchenwissen.

Wir konnten mit Hilfe einer umfassenden explorative Datenanalyse (EDA) zeigen, dass verschiedene Methoden aus dem Bereich Machine Learning (ML) zu einer signifikant verbesserten Performance der Modelle führen dürften. Tatsächlich zeigte sich bei der Anwendung dieser Techniken, dass sowohl ML-Regularisierungstechniken als auch kontrollierte Feature Selection und nicht-parametrische ML-Modelle die Vorhersagen des Marktwertes wesentlich verbessern konnten.

Die Aufgabenstellung ist eine klassische ML-Regressionsaufgabe, eingebettet in all die Begleitprozesse von Datenmanagement (DM) über explorative Datenanalyse (EDA) und Feature Engineering (FE) bis hin zur Formulierung der adäquaten ML-Modelle mit den entsprechenden Hyperparametern. Im Gegensatz dazu stehen im Bereich des Überwachten Lernens die Klassifizierungsaufgaben wie zum Beispiel das Einordnen von Bildern in Kategorien.