Institutionelle investorer søger efter afkast. Maskinoverlæg kan hjælpe med at finde dem

Af Nicholas Abe, medstifter og COO af Boosted.ai

Hvordan kan investorer få det bedste af begge verdener fra kvantitative og fundamentale tilgange? Ved at implementere maskinlæringsoverlæg, skriver Nick Abe, medstifter og Chief Operating Officer af Boosted.ai. Fundamentale ledere efterlader gevinst på bordet ved ikke at tilpasse sig til ændringer i teknologi og institutionelle investoreres krav. Abe demonstrerer, at kombinationen af deres finansielle domæneekspertise med avancerede kunstig intelligensværktøjer kan øge alpha og Sharpe.

Begge sider af investeringsspektret – kvantitativ og fundamental – har haft problemer længe. Selv de mest avancerede investorer havde svært ved at klare sig i 2020 på grund af den uventede volatilitet, som COVID-19-pandemien bragte til markedet.

Den kvantitative tilgang har langsomt bygget sig op inden for store formuer som de skaber deres egne kvantteam. Imidlertid er løftet om at have en fordel fra moderne teknologi blevet mødt med vanskelighederne ved at bringe succesfuld maskinlæring i praksis, primært på grund af den ekspertise, der kræves, og den høje omkostning ved at udvikle et fungerende program.

Succesfulde kvantbutikker beskæftiger masser af Ph.D.’er, datavidenskabsmænd og ingeniører for at give mening til store mængder kompleks data – og selv da kan de nogle gange fejle. At finde prædiktiv kraft fra data er svært, og sorte svaner som COVID-19 og andre regime-skift kan gøre, at data bliver forældet uden menneskelig overvågning.

Fundamentale fejl

De fleste mennesker er bekendt med principperne for fundamental analyse – studiet af finansielle rapporter og inkorporering af økonomiske faktorer for at træffe beslutninger om, hvor investorer skal investere for at opnå de bedste afkast givet mål og risikotolerance. Investorer har praktiseret og forfinet denne tidskrævende tilgang til at levere afkast i årtier. Nogle er imidlertid begyndt at udnytte moderne teknologi som maskinlæring og alternativ data til at skærpe præstationen, syntetisere information på kortere tid og begrænse eventuelle kognitive fordomme, der kan påvirke beslutningsprocessen.

Desuden står fundamentalt aktivt investeringsledelse over for enorme udfordringer, der spænder fra gebyrkompensation og teknologiske fremskridt til skiftende investeringsstemning over for lavkost-ETF’er.

Hvad har både kvantitative og fundamentale tilgange til fælles? De studerer verden omkring sig for at træffe informerede beslutninger om, hvor bedst at deployere kapital for afkast.

Men hvad hvis der var en tredje mulighed?

Opfordringen til maskinlæring i fundamentalt ledelse

Maskinlæring har revolutioneret brancher og dagligliv. Fra Google Translate til selv kørende biler, teknologi transformerer verden ligesom den industrielle revolution før den, og investeringsledelsesbranchen vil ikke være immun over for ændringerne. Ifølge en undersøgelse fra 2019 af CFA Institute, der blev gennemført blandt porteføljeejere, havde kun 10% af porteføljeejerne brugt kunstig intelligens eller maskinlæring i deres investeringsproces.

Da teknologien fortsætter med at udvikle sig, vil maskinlæringsmetoder blive en uomgængelig del af investeringsledelse. Imidlertid kræver mange maskinlæringsapplikationer programmeringskundskaber, der er fremmede for traditionelle ledere, der er mere fortrolige med deres egen fundamentale analyse, som de kan udføre på egen hånd og som de har en dybere forståelse for.

Givet de nævnte barrierer, hvordan kan fundamentale ledere med succes tilpasse sig?

Kombinere for en bedre proces: Maskinlæringsoverlæg

At tilføje et maskinlæringsoverlæg til en portefølje er blot et eksempel på en ægteskab mellem den fundamentale investeringsleders ekspertise og de teknologiske fordele, som AI har at tilbyde.

Maskinoverlæg løser forhindringerne for fundamentale investorer, der søger at inkorporere teknologien. De er lette at bruge og kan deployes oven på traditionelle investoreres eksisterende porteføljer uden krav om programmeringskundskaber. De giver fuld forklaring af maskinens begrundelse, hvilket viser, hvilke variable maskinlæringen anså for vigtige i dens beslutningstagning. Dette hjælper fundamentale ledere med at føle sig mere komfortable med at implementere intelligensen i deres proces.

For eksempel tager et Boosted Insights-maskinlæringsoverlæg en investeringsleders eksisterende portefølje og justerer aktiepositionsvægningerne lidt. Det tilføjer ikke nye positioner – det justerer blot vægningerne (lang eller kort) af aktier i investeringslederens eksisterende portefølje. Baseret på sine fund, kan aktier, der rangerer højt, få deres vægning øget, og aktier, der rangerer dårligt, kan få deres vægning reduceret.

Til sidst giver maskinlæringsoverlæg en fundamental investeringsleder mulighed for at kombinere sin aktieudvælgelsesdygtighed med avanceret, finansspecifik AI/ML for bedre resultater.

En investeringsleder kan godt kunne lide Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix og Google (FAANG)-aktier og finde, at de tilbyder god præstation i deres portefølje, men have alle fem med samme vægtning. Tilføjelsen af Boosted Insights-maskinlæringsoverlæg giver maskinen mulighed for at ændre vægningerne lidt – sagen, Facebook reduceres til 18,5%, og Apple øges til 21,5%. Disse små forskelle, mens investeringslederens portefølje forbliver helt den samme, kan resultere i bedre resultater i form af afkast, alpha og volatilitet.

Vi har fundet, at disse typer modeller kan forbedre porteføljer, der allerede havde høj alpha, ved kun at justere vægningerne af aktierne og ikke havde brug for at justere sammensætningen. Beta forblev konstant, da grundlæggende tildelinger blev justeret af modellens overlæg.

Maskinlæring til bedre investering

Maskinlæring har og vil fortsætte med at forstyrre brancher. Investeringsselskaber kan forbedre deres porteføljemål ved at implementere maskinlæring i deres proces, men på en måde, der er komplementær og organisk til deres arbejdsgang. En god måde at dykke ned i maskinlæringsmetoder på er at implementere et maskinlæringsoverlæg.