Institucionální investoři hledají výnosy. Machine Overlays jim mohou pomoci je najít

Nicholas Abe, spoluzakladatel a COO Boosted.ai

Jak mohou investoři získat nejlepší z obou světů z kvantitativních a fundamentálních přístupů? Implementací machine learning overlay, píše Nick Abe, spoluzakladatel a Chief Operating Officer of Boosted.ai. Fundamentální manažeři zanechávají zisky na stole, protože se nepřizpůsobují změnám technologií a poptávce institucionálních investorů. Abe demonstruje, že kombinace jejich finančních znalostí s nejmodernějšími umělými inteligencí může zvýšit alfu a Sharpe.

Obojí strany investičního spektra – kvantitativní a fundamentální – měly v poslední době problémy. I nejsofistikovanější investoři se potýkali v roce 2020 s neočekávanou volatilitou, kterou pandemie COVID-19 přinesla na trh.

Kvantitativní přístup se pomalu buduje u velkých asset managerů, kteří vytvářejí své vlastní kvantitativní týmy. Avšak slib mít výhodu z moderní technologie byl doprovázen obtížemi při úspěšném implementování strojového učení, zejména kvůli potřebě odborných znalostí a vysokým nákladům na vývoj funkčního programu.

Úspěšné kvantitativní obchody zaměstnávají velké množství Ph.D., datových vědců a inženýrů, aby dali smysl velkým množství komplexních dat – a dokonce i tak někdy selhávají. Najít prediktivní sílu z dat je obtížné a černé labutě, jako je COVID-19 a další režimové změny, mohou učinit tato data zastaralými bez lidského dohledu.

Základní selhání

Většina lidí zná principy fundamentální analýzy – studium finančních výkazů a začlenění ekonomických faktorů do rozhodování o tom, kam investoři sollten investovat pro nejlepší výnosy vzhledem k cílům a rizikovému apetitu. Investoři praktikují a zdokonalují tento časově náročný přístup k poskytování výnosů po desetiletí. Někteří však začínají využívat moderní technologie, jako je strojové učení a alternativní data, aby zlepšili své výkony, zpracovali informace v kratším čase a omezili případné kognitivní předpojatosti, které by mohly zasahovat do rozhodovacího procesu.

Dále fundamentální aktivní investiční management čelí obrovským výzvám, od komprese poplatků a technologických pokroků po změny investičních sentimentů ve prospěch nízkonákladových ETF.

Co mají kvantitativní a fundamentální přístupy společného? Studují svět kolem nich, aby učili informovaná rozhodnutí o tom, kam nejlépe nasadit kapitál pro výnosy.

Ale co kdyby existovala třetí možnost?

Volání po strojovém učení ve fundamentálním managementu

Strojové učení revolucionalizovalo průmysly a každodenní život. Od Google Translate po samořiditelná auta, technologie transformuje svět podobně jako průmyslová revoluce předtím, a investiční management nebude imunní vůči těmto změnám. Podle studie CFA Institute z roku 2019, která dotazovala portfolio manažerů, pouze 10 % portfolio manažerů používalo nějakou umělou inteligenci nebo strojové učení ve svém investičním procesu.

Jak technologie pokračuje v pokroku, strojové učení se stane nezbytnou součástí investičního managementu. Avšak mnoho aplikací strojového učení vyžaduje programovací znalosti, které jsou cizí tradičním manažerům, kteří jsou více sebevědomí ve své fundamentální analýze, kterou mohou dělat sami a mají hlubší pochopení.

Jak mohou fundamentální manažeři úspěšně přizpůsobit?

Kombinace pro lepší proces: Strojové učení overlay

Přidání strojového učení overlay do portfolia je pouze jeden příklad sňatku odborných znalostí fundamentálního investičního manažera a technologických výhod, které nabízí umělá inteligence.

Strojové overlay řeší problémy fundamentálních investorů, kteří chtějí začlenit technologii. Jsou snadno použitelné a lze je nasadit na stávající portfolia tradičních investorů bez nutnosti programovacích znalostí. Poskytují plnou vysvětlitelnost rozhodnutí stroje, ukazují, které proměnné stroj považoval za důležité ve svém rozhodování. To pomáhá fundamentálním manažerům cítit se více pohodlně při implementaci inteligence do svého procesu.

například Boosted Insights strojové učení overlay vezme stávající portfolio investičního manažera a mírně upraví váhy akciových pozic. Ne přidává žádné nové pozice – spíše upraví váhy (long nebo short) akciových pozic v manažerově stávajícím portfoliu. Na základě svých zjištění akcie, které se vysoko umístily, mohou mít své váhy zvýšeny a akcie, které se umístily špatně, mohou mít své váhy sníženy.

Nakonec strojové učení overlay umožňují fundamentálnímu investičnímu manažerovi kombinovat své znalosti výběru akcií s nejmodernějšími finančními umělými inteligencemi pro lepší výsledky.

Investiční manažer může mít rád akcie Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix a Google (FAANG) a zjistit, že nabízejí dobré výkony ve svém portfoliu, ale má všechny pět akcií ve stejných váhách. Přidání Boosted Insights strojového učení overlay umožňuje stroji upravit váhy mírně – například Facebook se sníží na 18,5 % a Apple se zvýší na 21,5 %. Tyto malé rozdíly, zatímco investiční manažerovo portfolio zůstává přesně stejné, mohou vést k lepšímu výsledku vzhledem k výnosu, alfa a volatilitě.

Byli jsme schopni zjistit, že tyto typy modelů jsou schopny zlepšit portfolia, která již měla vysokou alfu, pouze úpravou vah akcií a bez nutnosti úpravy složení. Beta zůstala konzistentní, protože základní alokace byly upraveny modelem.

Strojové učení pro lepší investování

Strojové učení již a bude i nadále narušovat průmysly. Investiční manažeři mohou zlepšit své portfoliové cíle implementací strojového učení do svého procesu, ale způsobem, který je komplementární a organický k jejich workflow. Dobrý způsob, jak začít s technikami strojového učení, je implementovat strojové učení overlay.