When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
Questo articolo dimostra che, in contesti longitudinali raggruppati, la scelta del target di validazione predittiva (singoli anni-azienda rispetto all'intera azienda) altera fondamentalmente il quadro di riferimento dei proxy basati sui residui, spostando il peso della selezione del modello bayesiano tra i benchmark specifici dell'azienda e quelli a livello di popolazione, modificando così materialmente la classificazione del comportamento anomalo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della contabilità, i numeri raccontano una storia su come un'azienda sia gestita, ma non ogni numero è un'osservazione diretta. Alcune cifre sono stime, calcolate per separare la routine dall'insolito. Immaginate l'attività finanziaria totale di un'azienda come un fiume. La maggior parte dell'acqua scorre in modo prevedibile, guidata dalle correnti standard di vendite, costi e investimenti. Questo flusso prevedibile è ciò che gli esperti chiamano comportamento "normale". Tuttavia, a volte il fiume si gonfia o si ritira in modi che non corrispondono alla corrente attuale. Queste deviazioni sono chiamate attività "anomale". Nella ricerca finanziaria, queste deviazioni anomale sono spesso trattate come indizi. Potrebbero suggerire che un'azienda stia nascondendo qualcosa, manipolando i propri report o affrontando shock economici unici che i modelli standard non possono spiegare. Per trovare questi indizi, i ricercatori costruiscono prima un modello per prevedere quale dovrebbe essere il flusso normale. Qualunque cosa rimanga dopo tale previsione è il "residuo", il pezzo avanzato che rappresenta l'anomalia.
Il problema è che la definizione di "normale" non è fissa. Diversi ricercatori utilizzano formule differenti per calcolare quale debba essere il comportamento normale di un'azienda. Alcune formule si concentrano su come i profitti si relazionino al flusso di cassa, mentre altre osservano come gli asset cambiano nel tempo. Poiché non esiste una singola formula corretta, i ricercatori spesso provano molti modelli e lasciano che i dati decidano quale funzioni meglio per prevedere il futuro. Utilizzano un metodo chiamato validazione, in cui testano un modello su dati passati per vedere se può indovinare accuratamente ciò che accadrà dopo. Se un modello predice bene, riceve un punteggio più alto ed è considerato più affidabile. Ma questo processo di scelta del miglior modello si basa su una regola specifica: cosa stiamo cercando di prevedere esattamente? Stiamo cercando di prevedere l'anno successivo per un'azienda che già conosciamo, o stiamo cercando di prevedere il futuro per un'azienda completamente nuova che non abbiamo mai visto prima? Questa scelta apparentemente piccola su chi stiamo prevedendo si rivela cambiare l'intera definizione di ciò che è considerato "anomalo".
Uno studio recente di Quan Pham presso l'Università Industriale di Ho Chi Minh City indaga proprio questa questione. Il ricercatore ha esaminato migliaia di report finanziari annuali di 568 società quotate nelle borse vietnamite tra il 2015 e il 2024. L'obiettivo era vedere se la regola utilizzata per testare i modelli di previsione cambi effettivamente la misurazione finale del comportamento anomalo. Per farlo, lo studio ha utilizzato una tecnica sofisticata chiamata "stacking bayesiano", che combina molti diversi modelli contabili in una singola media ponderata. Invece di scegliere un solo modello "migliore", questo metodo assegna un peso a ciascun modello in base a quanto ha performato durante il test. L'esperimento chiave consisteva nel eseguire gli stessi test due volte, ma cambiando solo la regola per ciò che veniva nascosto durante il test. Nel primo scenario, il test nascondeva solo un anno di dati per una specifica azienda mantenendo visibili tutti gli altri suoi anni. Questo simula la previsione del passo successivo per un amico familiare. Nel secondo scenario, il test nascondeva ogni singolo anno di dati per una specifica azienda, simulando la previsione per uno sconosciuto senza storia.
I risultati hanno mostrato uno spostamento drammatico nel modo in cui i modelli venivano ponderati a seconda della regola utilizzata. Quando il test permetteva al modello di vedere la storia passata di un'azienda (prevedere per un amico familiare), il sistema favoriva pesantemente i modelli che includevano un particolare "effetto impresa". Questa è una caratteristica statistica che cattura le peculiarità uniche e persistenti di una singola azienda, come il suo specifico stile di gestione o la sua struttura aziendale a lungo termine. In questo scenario, questi modelli specifici dell'impresa ricevevano circa il 59-62 percento del peso totale. Tuttavia, quando il test nascondeva l'intera storia dell'azienda (prevedere per uno sconosciuto), il sistema ignorava quasi completamente questi modelli specifici dell'impresa. Al contrario, spostava la sua fiducia verso modelli generali a livello di popolazione che descrivono come si comporta l'azienda media. In questo caso, il peso per i modelli specifici dell'impresa scendeva a meno del 4 percento. Lo studio ha confermato attraverso simulazioni al computer che questo spostamento non era rumore casuale o un errore matematico. Era una risposta diretta alla struttura dei dati: quando la storia unica di un'azienda è disponibile, il miglior predittore la utilizza; quando quella storia viene meno, il miglior predittore si affida alla media.
Questa riallocazione della fiducia ha avuto un impatto diretto e misurabile sulle cifre finali. Lo studio ha scoperto che, sebbene la classifica generale delle aziende sia rimasta in qualche modo simile — le aziende che erano alte nella lista per un metodo erano generalmente alte anche per l'altro — le aziende specifiche identificate come gli outlier più estremi cambiavano significativamente. Osservando il top 5% delle aziende con l'attività più "anomala", i due metodi concordavano solo su circa il 65-69% dei casi. Ciò significa che circa una azienda su tre segnalata come altamente anomala da un metodo non veniva segnalata dall'altro. La differenza diventava ancora più pronunciata quando i ricercatori regolavano i numeri per tenere conto dell'incertezza nelle previsioni. In quel caso, l'accordo sul top 5% scendeva tra il 37 e il 42%. Essenzialmente, la scelta della regola di validazione agiva come un filtro che lasciava passare set diversi di aziende.
Lo studio ha anche verificato se questi diversi set di aziende fossero effettivamente diversi nel loro comportamento reale. Ha scoperto che le aziende identificate come anomale solo dal metodo dell'"amico familiare" tendevano ad avere utili futuri e rendimenti sulle attività inferiori. Al contrario, le aziende identificate come anomale solo dal metodo dello "sconosciuto" tendevano ad avere flussi di cassa e utili futuri più elevati. Ciò suggerisce che i due metodi non stanno solo etichettando le stesse aziende in modo diverso; stanno effettivamente catturando diversi tipi di realtà economiche. Un metodo è tarato per individuare le deviazioni dal pattern storico di un'azienda, mentre l'altro è tarato per individuare le deviazioni dalla media generale del mercato.
La conclusione è che lo strumento utilizzato per misurare l'anomalia non è neutrale. La regola scelta per testare il modello di previsione diventa parte della misurazione stessa. Se un ricercatore vuole sapere se un'azienda si sta comportando in modo insolito rispetto al proprio passato, deve utilizzare una regola di validazione che mantenga visibile la storia dell'azienda. Se vuole sapere se un'azienda è insolita rispetto al resto del mondo, deve utilizzare una regola che nasconda quella storia. Lo studio non dichiara un metodo superiore all'altro. Invece, mostra che la definizione di "anomalo" è flessibile e dipende interamente dalla domanda posta. Per chiunque utilizzi queste misurazioni per filtrare il rischio, selezionare campioni per la ricerca o investigare la rendicontazione finanziaria, la scelta della regola di validazione non è solo un dettaglio tecnico. È una parte fondamentale del design della misurazione che determina quali aziende saranno viste come outlier e quali saranno viste come normali.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.