Institutionelle Anleger suchen nach Renditen. Machine-Overlays können helfen, sie zu finden

Von Nicholas Abe, Mitgründer und COO von Boosted.ai

Wie können Anleger das Beste aus quantitativen und fundamentalen Ansätzen herausbekommen? Durch die Implementierung von Machine-Learning-Overlays, schreibt Nick Abe, Mitgründer und Chief Operating Officer von Boosted.ai. Fundamental-Manager lassen Gewinne auf dem Tisch liegen, indem sie sich nicht an veränderte Technologien und die Nachfrage institutioneller Anleger anpassen. Abe zeigt, dass die Kombination ihrer finanziellen Domänenexpertise mit modernen künstlichen Intelligenz-Tools Alpha und Sharpe erhöhen kann.

Beide Seiten des Investierungsspektrums – quantitativ und fundamental – hatten in letzter Zeit Probleme. Selbst die erfahrensten Anleger hatten 2020 aufgrund der unvorhersehbaren Volatilität, die die COVID-19-Pandemie auf den Markt gebracht hatte, Schwierigkeiten.

Der quantitative Ansatz hat sich langsam innerhalb großer Vermögensverwalter entwickelt, da sie ihre eigenen Quant-Teams aufbauen. Allerdings wurde das Versprechen, durch moderne Technologie einen Vorteil zu haben, durch die Schwierigkeiten bei der Umsetzung erfolgreichen Machine Learnings in die Praxis eingeschränkt, größtenteils aufgrund der erforderlichen Expertise und der hohen Kosten für die Entwicklung eines funktionierenden Programms.

Erfolgreiche quantitative Shops beschäftigen ganze Schwärme von Ph.D.-Absolventen, Data-Scientist und Ingenieuren, um Sinn in großen Mengen komplexer Daten zu finden – und selbst dann manchmal fehlschlagen. Es ist schwierig, vorhersehbare Macht aus Daten zu gewinnen, und schwarze Schwan-Ereignisse wie COVID-19 und andere Regime-Wechsel können diese Daten ohne menschliche Aufsicht veralten.

Grundlegende Mängel

Die meisten Menschen sind sich der Prinzipien der fundamentalen Analyse bewusst – der Untersuchung von Finanzberichten und der Einbeziehung wirtschaftlicher Faktoren, um Entscheidungen darüber zu treffen, wo Anleger investieren sollten, um die besten Renditen zu erzielen, die ihren Zielen und ihrem Risikoprofil entsprechen. Anleger haben diesen zeitaufwändigen Ansatz der Erzielung von Renditen über Jahrzehnte hinweg perfektioniert. Einige jedoch sind bereit, moderne Technologie wie Machine Learning und alternative Daten zu nutzen, um ihre Leistung zu verbessern, Informationen in weniger Zeit zu synthetisieren und kognitive Verzerrungen zu reduzieren, die den Entscheidungsprozess beeinträchtigen könnten.

Darüber hinaus steht die fundamentale aktive Investitionsverwaltung vor enormen Herausforderungen, die von Gebührenkompression und technologischen Fortschritten bis hin zu sich ändernder Anlegermeinung gegenüber niedrigpreisigen ETFs reichen.

Was haben beide quantitative und fundamentale Ansätze gemeinsam? Sie untersuchen die Welt um sie herum, um informierte Entscheidungen darüber zu treffen, wo sie ihr Kapital am besten einsetzen sollten, um Renditen zu erzielen.

Aber was, wenn es eine dritte Option gäbe?

Ruf nach Machine Learning in der fundamentalen Verwaltung

Machine Learning hat Branchen und den Alltag revolutioniert. Von Google Translate bis hin zu selbstfahrenden Autos verändert die Technologie die Welt, ähnlich wie die industrielle Revolution davor, und die Investment-Management-Branche wird nicht immun gegen diese Veränderungen sein. Laut einer Studie des CFA Institute aus dem Jahr 2019, die Portfolio-Manager befragte, hatten nur 10 % der Portfolio-Manager künstliche Intelligenz oder Machine Learning in ihren Investitionsprozess eingesetzt.

Da die Technologie weiter fortschreitet, werden Machine-Learning-Techniken ein unverzichtbarer Aspekt der Investment-Verwaltung. Allerdings erfordern viele Machine-Learning-Anwendungen Programmierkenntnisse, die traditionellen Managern, die in ihrer fundamentalen Analyse zu Hause sind, fremd sind und die sie nicht haben.

Angesichts der oben genannten Hindernisse, wie können fundamentale Manager erfolgreich adaptieren?

Kombination für einen besseren Prozess: Machine-Learning-Overlays

Das Hinzufügen eines Machine-Learning-Overlays zu einem Portfolio ist nur ein Beispiel für die Vereinigung der Expertise des fundamentalen Investment-Managers mit den technologischen Vorteilen, die künstliche Intelligenz bietet.

Machine-Overlays lösen die Probleme der fundamentalen Anleger, die Technologie in ihre Investitionsprozesse integrieren möchten. Sie sind einfach zu verwenden und können auf bestehende Portfolios traditioneller Anleger ohne Programmierkenntnisse aufgesetzt werden. Sie bieten eine vollständige Erklärung der Entscheidungsfindung des Machines, indem sie zeigen, welche Variablen das Machine Learning als wichtig für seine Entscheidung erachtet hat. Dies hilft fundamentalen Managern, sich bei der Implementierung der Intelligenz in ihren Prozess wohler zu fühlen.

Beispielsweise kann ein Boosted Insights Machine-Learning-Overlay das bestehende Portfolio eines Investment-Managers übernehmen und die Gewichtungen der Aktienpositionen leicht anpassen. Es fügt keine neuen Positionen hinzu, sondern passt lediglich die Gewichtungen (long oder short) der Aktien im bestehenden Portfolio des Managers an. Basierend auf seinen Erkenntnissen kann das Overlay die Gewichtungen von Aktien, die hoch eingestuft werden, erhöhen und die Gewichtungen von Aktien, die schlecht eingestuft werden, reduzieren.

Letztendlich ermöglichen Machine-Learning-Overlays es fundamentalen Investment-Managern, ihre Fähigkeit, Aktien auszuwählen, mit modernen, finanzspezifischen künstlichen Intelligenz- und Machine-Learning-Techniken zu kombinieren, um bessere Ergebnisse zu erzielen.

Ein Investment-Manager mag beispielsweise Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix und Google (FAANG)-Aktien und findet, dass sie in seinem Portfolio eine gute Leistung erbringen, aber alle fünf mit gleichen Gewichtungen. Das Hinzufügen des Boosted Insights Machine-Learning-Overlays ermöglicht es dem Machine, die Gewichtungen leicht anzupassen – sagen wir, Facebook wird auf 18,5 % reduziert und Apple auf 21,5 % erhöht. Diese kleinen Unterschiede können, während das Portfolio des Investment-Managers genau gleich bleibt, zu besseren Ergebnissen in Bezug auf Rendite, Alpha und Volatilität führen.

Wir haben festgestellt, dass diese Arten von Modellen in der Lage sind, Portfolios, die bereits ein hohes Alpha hatten, zu verbessern, indem sie lediglich die Gewichtungen der Aktien anpassen und nicht die Zusammensetzung ändern. Die Beta blieb konsistent, da die Basisallokationen durch das Modell-Overlay angepasst wurden.

Machine Learning für bessere Investitionen

Machine Learning hat und wird weiterhin Branchen revolutionieren. Investment-Manager können ihre Portfolio-Ziele durch die Implementierung von Machine Learning in ihren Prozess verbessern, aber auf eine Weise, die komplementär und organisch zu ihrem Arbeitsablauf ist. Ein guter Weg, um in die Welt der Machine-Learning-Techniken einzusteigen, ist die Implementierung eines Machine-Learning-Overlays.