Nos formations : www.jedha.co
Projet IA de Nisrine Barkallah
Dans ce projet IA, Nisrine utilise le Machine Learning pour faire des prédictions de succès des des entreprises côtées en bourse.
4. Choix de la thématique
Diversification des portefeuilles
Opportunité de croissance élevée
Estimations: les investisseurs privés
ont $2.000bn de cash à investir
Baisse considérable des taux
d’intérets, recherche
d’investissements alternatifs
6. Les Data Science dans le PE
Projection des metrics : utilisation des entreprises
comparables du secteurs pour prédire les cash flow des
cibles d’investissements
Screening des entreprises : traitement rapide des data
base financières, repérer les entreprises prometteuses
Gain de temps : évaluer et analyser un échantillon
d’entreprises pertinent
7. Les Data Science dans le PE
Très peu d’applications dans les fonds français :
9. Présentation des données
Echantillon de 14.700 entreprises françaises après
pré-processing (extraites depuis Diane)
Echantillon de 35.000 entreprises internationales après
pré-processing (extraites depuis Orbis)
Pour chaque entreprise, on extrait : leur code NAF (pour
l’industrie), les metrics clés (CFO, EBITDA) sous forme de
Time Series (sur 10 années), CA 2018
10. Etape du développement (1/2)
Projeter les time series des entreprises : sur 3 à 7 ans
(durée moyenne d’investissemement dans un fond) :
- Utiliser les metrics clées pour prédire les variables
d’interêts des années à venir
1.
Utiliser ces projections pour déterminer un CAGR par
entreprise et par secteur (groupby avec le code NAF)
- CAGR : taux de croissance moyen sur une période :
donne une indication sur les performances à venir
2.
11. Etape du développement (2/2)
Utilisation de réseaux de neurone pour la prédiction de
croissance d’une entreprise :
- Y = CAGR par entreprise
- X = metrics historiques des entreprises
Prédiction sur le test set d’entreprise avec leurs
metrics historiques
3.