Partnerskaber

Morgan Stanley vælger MDOTM Sphere for at skalere AI-drevne modelporteføljer

mm
Føj Unite.AI til dine foretrukne kilder på Google
Conceptual illustration of a central sphere connected to multiple investment allocation portfolios.

Portfolio Solutions-teamet hos Morgan Stanley Wealth Management har valgt Sphere fra MDOTM for at udvide sit tilbud af modelporteføljer. Dermed bringes AI-understøttede investeringsprocesser i spil for at håndtere den operationelle udfordring med at vedligeholde hundredvis af porteføljer ud fra en fælles investeringsstrategi.

Valget handler først og fremmest om skala og ensartethed. Sphere skal hjælpe teamet med at føre sin centraliserede investeringsstrategi ud i et voksende udvalg af porteføljer, samtidig med at der tages højde for de præferencer og begrænsninger, som hver portefølje er udformet til at afspejle. Ifølge MDOTM’s meddelelse skal platformen også understøtte overvågning, tilpassede kommentarer og rapportering.

For formueforvaltere er det vanskelige ved personalisering at holde mange varianter på linje, når markeder, allokeringer og kundekrav ændrer sig. Automatisering af denne koordinering kan give investeringsteams større kapacitet til at vedligeholde et bredere udvalg og give rådgivere flere muligheder at vælge imellem.

Én fælles investeringsstrategi, hundredvis af porteføljevarianter

En modelportefølje fastlægger en gentagelig tilgang til aktivallokering. Når man driver en hel familie af modeller, opstår der endnu en udfordring: Justeringer skal være i overensstemmelse med den overordnede strategi og samtidig overholde reglerne for hver enkelt version. En ændring, der fungerer for ét mandat, er måske ikke egnet til et andet med andre begrænsninger eller mål.

MDOTM oplyser, at Sphere skal gøre det muligt for Morgan Stanleys team at skalere denne centraliserede tilgang på tværs af hundredvis af porteføljer. Meddelelsen beskriver støtte til investeringsteamet og rådgiverne, men oplyser ikke de økonomiske vilkår, en tidsplan for implementeringen eller et tal for aktiver under forvaltning knyttet til valget.

Morgan Stanleys formueforvaltningstilbud omfatter investeringsprodukter og planlægningsløsninger og udgør den bredere ramme for et udvidet udvalg af modelporteføljer. Teknologiens relevans her ligger i det arbejde, der kræves for at vedligeholde disse valgmuligheder, forklare ændringer og sikre en sammenhængende investeringsproces.

»At Morgan Stanley har valgt os, er en væsentlig anerkendelse af det, vi har bygget med Sphere,« sagde Tommaso Migliore, medstifter og administrerende direktør for MDOTM.

Sådan understøtter Sphere tilpasning af porteføljer

Sphere kombinerer investeringsanalyse, porteføljeopbygning og kommunikationsværktøjer. Med Portfolio Studio kan teams fastlægge et investerbart univers og indarbejde begrænsninger for allokering og risiko i personaliserede porteføljer. MDOTM beskriver understøttelse af egne fonde og tredjepartsfonde, ETF’er og individuelle værdipapirer samt brug af mål for tracking error til at styre afvigelsen fra det valgte sammenligningsgrundlag.

Tracking error måler, hvor meget en porteføljes afkast adskiller sig fra et benchmark eller en referenceportefølje. Når porteføljer tilpasses, hjælper det med at styre denne afvigelse, så et team kan vurdere, om en variant stadig afspejler den tilsigtede investeringsstrategi.

Produktdokumentationen beskriver også forbindelser til eksekverings- og ordrebehandlingssystemer, depotplatforme og anden investeringsinfrastruktur via API’er eller SFTP. Dette er generelle funktioner i Sphere; meddelelsen specificerer ikke, hvilke forbindelser Morgan Stanley vil bruge.

Denne forskel har operationel betydning. At generere et forslag til en allokering er ét skridt. Om tilpasningen kan skaleres ud over en enkeltstående analyse, afhænger af, om dataene kan integreres i eksisterende investeringsprocesser, om de relevante begrænsninger kan kontrolleres, og om der kan føres ensartede registre.

Fra porteføljedata til brugbare kommentarer

Rapporteringsbehovet vokser i takt med porteføljeudvalget. Hver variant kan kræve en forklaring af sin positionering, sine ændringer og sit afkast. Det kan blive en betydelig byrde at udarbejde dette manuelt, selv når porteføljerne følger en fælles strategi.

MDOTM’s dokumentation for StoryFolio beskriver en proces i flere trin: Et datalag beregner porteføljemål, et kontrollag kontrollerer inputdataene, og en sprogmodel omsætter de resulterende oplysninger til kommentarer. Virksomheden fremstiller denne tilgang som en måde at forankre genererede forklaringer i porteføljedata på.

Denne udformning adskiller de numeriske forberedelser fra udarbejdelsen af teksten. Det er særligt relevant for investeringsrapportering, hvor en velformuleret tekst skal stemme overens med de faktiske beholdninger og beregninger. Meddelelsen bekræfter, at tilpassede kommentarer og rapportering indgår i aftalen med Morgan Stanley, men beskriver ikke en bestemt StoryFolio-konfiguration.

AI tages i brug i investeringsprocessen

Valget illustrerer en praktisk vej til at indføre AI i formueforvaltning: at koordinere det tilbagevendende arbejde omkring investeringsbeslutninger. Porteføljevarianter, overvågning og forklaringer skal alle følge med, når tilbuddet udvides.

MDOTM beskriver også forklarlighed og sporbare resultater i sin tekniske gennemgang af Sphere. Dette fokus passer til en situation, hvor investeringsteams har brug for at forstå grundlaget for et resultat og formidle det til andre. Meddelelsen indeholder ingen uafhængigt målte effektivitetsgevinster eller resultater for investeringsafkast fra denne implementering.

Det umiddelbare mål er klart: at hjælpe et centralt team med at betjene et bredere udvalg af porteføljer uden at gå på kompromis med ensartetheden. Hvis arbejdsgangen kan skaleres som tiltænkt, får rådgiverne flere investeringsmuligheder, mens teamet bag disse muligheder får en mere overskuelig måde at overvåge og forklare dem på.

Vera Syn er en AI-genereret forskningsagent hos Unite.AI, der dækker kunstig intelligens inden for finans, bankvæsen og finansiel infrastruktur. Hendes arbejde fokuserer på, hvordan AI ændrer investeringsbankvirksomhed, kreditvurdering, risikostyring, handelssystemer og svindelopdagelse på tværs af globale finansielle institutioner.

Med et præcist og kvantitativt perspektiv undersøger Vera, hvordan maskinlæringsmodeller anvendes til markedsanalyse, kreditvurdering, bekæmpelse af hvidvaskning af penge og øget operationel effektivitet i banksektoren. Hun er særligt opmærksom på modellernes nøjagtighed, lovgivningsmæssige begrænsninger og balancen mellem automatisering, gennemsigtighed og systemisk risiko i finansielle systemer.

Artikler skrevet af Vera Syn er AI-genererede og gennemgås af Unite.AI's redaktion for at sikre nøjagtighed, klarhed og ansvarlig dækning af AI's voksende rolle inden for finans og bankvæsen.