Οι θεσμικοί επενδυτές αναζητούν αποδόσεις. Οι επικαλύψεις μηχανών μπορούν να βοηθήσουν στην εύρεση τους

Από τον Nicholas Abe, συνιδρυτή και COO του Ενισχύθηκε.ai

Πώς μπορούν οι επενδυτές να αξιοποιήσουν το καλύτερο και των δύο κόσμων από ποσοτικές και θεμελιώδεις προσεγγίσεις; Με την εφαρμογή επικαλύψεων μηχανικής μάθησης, γράφει Nick Abe, συνιδρυτής και Chief Operating Officer της Boosted.ai. Οι θεμελιώδεις διευθυντές αφήνουν κέρδη στο τραπέζι μη προσαρμοζόμενοι στις μεταβαλλόμενες τεχνολογίες και στη ζήτηση των θεσμικών επενδυτών. Ο Abe αποδεικνύει ότι ο συνδυασμός της τεχνογνωσίας του στον χρηματοοικονομικό τομέα με εργαλεία τεχνητής νοημοσύνης αιχμής μπορεί να αυξήσει τα alpha και Sharpe.

Και οι δύο πλευρές του επενδυτικού φάσματος –ποσοτική και θεμελιώδης– είχαν προβλήματα τον τελευταίο καιρό. Ακόμη και οι πιο εξελιγμένοι επενδυτές δυσκολεύτηκαν το 2020 λόγω της απρόβλεπτης αστάθειας που έφερε στην αγορά η πανδημία COVID-19.

Η ποσοτική προσέγγιση χτίζεται σιγά-σιγά στους διαχειριστές μεγάλων περιουσιακών στοιχείων καθώς δημιουργούν τις δικές τους ποσοτικές ομάδες. Ωστόσο, η υπόσχεση να έχουμε ένα πλεονέκτημα από τη σύγχρονη τεχνολογία αντιμετωπίστηκε με τις δυσκολίες εφαρμογής της επιτυχημένης μηχανικής μάθησης στην πράξη, σε μεγάλο βαθμό λόγω της απαιτούμενης τεχνογνωσίας και του υψηλού κόστους ανάπτυξης ενός λειτουργικού προγράμματος.

Τα επιτυχημένα ποσοτικά καταστήματα απασχολούν μια σειρά από διδακτορικά, επιστήμονες δεδομένων και μηχανικούς για να κατανοήσουν μεγάλες ποσότητες σύνθετων δεδομένων – και ακόμη και τότε μερικές φορές αποτυγχάνουν. Η εύρεση προγνωστικής ισχύος από δεδομένα είναι δύσκολη και τα γεγονότα του μαύρου κύκνου όπως ο COVID-19 και άλλες αλλαγές καθεστώτος μπορούν να καταστήσουν αυτά τα δεδομένα παρωχημένα χωρίς ανθρώπινη επίβλεψη.

Θεμελιώδεις αστοχίες

Οι περισσότεροι άνθρωποι γνωρίζουν τις αρχές της θεμελιώδους ανάλυσης – τη μελέτη των οικονομικών καταστάσεων και την ενσωμάτωση οικονομικών παραγόντων για τη λήψη αποφάσεων σχετικά με το πού θα πρέπει να επενδύσουν οι επενδυτές για τις καλύτερες αποδόσεις δεδομένων στόχων και ανάληψης κινδύνου. Οι επενδυτές έχουν εξασκήσει και τελειοποιήσει αυτή τη χρονοβόρα προσέγγιση για την παροχή αποδόσεων για δεκαετίες. Ορισμένοι, ωστόσο, προτιμούν να επωφεληθούν από τη σύγχρονη τεχνολογία, όπως η μηχανική μάθηση και τα εναλλακτικά δεδομένα για να βελτιώσουν την απόδοση, να συνθέσουν πληροφορίες σε λιγότερο χρόνο και να περιορίσουν τυχόν γνωστικές προκαταλήψεις που μπορεί να παρεμβαίνουν στη διαδικασία λήψης αποφάσεων.

Επιπλέον, η θεμελιώδης ενεργός διαχείριση επενδύσεων αντιμετωπίζει τεράστιες προκλήσεις, που κυμαίνονται από τη συμπίεση των προμηθειών και τις τεχνολογικές εξελίξεις έως τη στροφή του επενδυτικού κλίματος προς τα ETF χαμηλού κόστους.

Τι κοινό έχουν τόσο οι ποσοτικές όσο και οι θεμελιώδεις προσεγγίσεις; Μελετούν τον κόσμο γύρω τους για να λάβουν τεκμηριωμένες αποφάσεις σχετικά με το πού θα χρησιμοποιήσουν καλύτερα κεφάλαια για αποδόσεις.

Τι θα γινόταν όμως αν υπήρχε μια τρίτη επιλογή;

Η πρόσκληση για τη μηχανική μάθηση στη βασική διαχείριση

Η μηχανική μάθηση έχει φέρει επανάσταση στη βιομηχανία και στην καθημερινή ζωή. Από τη Μετάφραση Google έως τα αυτόνομα αυτοκίνητα, η τεχνολογία μεταμορφώνει τον κόσμο όπως η βιομηχανική επανάσταση πριν από αυτήν και ο κλάδος διαχείρισης επενδύσεων δεν θα μείνει απρόσβλητος στις αλλαγές. Σύμφωνα με μια μελέτη του 2019 από το Ινστιτούτο CFA που εξέτασε τους διαχειριστές χαρτοφυλακίου, μόνο το 10% των διαχειριστών χαρτοφυλακίου είχε χρησιμοποιήσει οποιαδήποτε τεχνητή νοημοσύνη ή μηχανική μάθηση στην επενδυτική τους διαδικασία.

Καθώς η τεχνολογία συνεχίζει να προοδεύει, οι τεχνικές μηχανικής εκμάθησης θα γίνουν μια αδιαπραγμάτευτη πτυχή της διαχείρισης επενδύσεων. Ωστόσο, πολλές εφαρμογές μηχανικής εκμάθησης απαιτούν γνώσεις προγραμματισμού ξένες προς τους παραδοσιακούς μάνατζερ που είναι πιο σίγουροι για τη δική τους θεμελιώδη ανάλυση, την οποία μπορούν να κάνουν μόνοι τους και από προεπιλογή έχουν μια βαθύτερη κατανόηση.

Δεδομένων των οδοφραγμάτων παραπάνω, πώς μπορούν οι βασικοί διαχειριστές να προσαρμοστούν με επιτυχία;

Συνδυασμός για καλύτερη διαδικασία: Επικαλύψεις μηχανικής μάθησης

Η προσθήκη μιας επικάλυψης μηχανικής μάθησης σε ένα χαρτοφυλάκιο είναι μόνο ένα παράδειγμα ενός συνδυασμού της τεχνογνωσίας του βασικού διαχειριστή επενδύσεων και των τεχνολογικών πλεονεκτημάτων που έχει να προσφέρει η τεχνητή νοημοσύνη.

Οι επικαλύψεις μηχανών λύνουν τα εμπόδια των θεμελιωδών επενδυτών που θέλουν να ενσωματώσουν την τεχνολογία. Είναι εύχρηστα και μπορούν να αναπτυχθούν πάνω από τα υπάρχοντα χαρτοφυλάκια παραδοσιακών επενδυτών χωρίς να απαιτούνται γνώσεις προγραμματισμού. Παρέχουν πλήρη επεξήγηση του συλλογισμού της μηχανής, δείχνοντας ποιες μεταβλητές θεωρεί η μηχανική μάθηση ως σημαντικές στη λήψη αποφάσεων. Αυτό βοηθά τους βασικούς διευθυντές να αισθάνονται πιο άνετα όταν εφαρμόζουν τη νοημοσύνη στη διαδικασία τους.

Για παράδειγμα, μια επικάλυψη μηχανικής εκμάθησης Boosted Insights παίρνει το υπάρχον χαρτοφυλάκιο ενός διαχειριστή επενδύσεων και προσαρμόζει ελαφρώς τις σταθμίσεις της θέσης μετοχών. Δεν προσθέτει νέες θέσεις – αντίθετα, προσαρμόζει τους συντελεστές στάθμισης (long ή short) των μετοχών στο υπάρχον χαρτοφυλάκιο του διαχειριστή. Με βάση τα ευρήματά του, οι σταθμίσεις των μετοχών με υψηλή κατάταξη ενδέχεται να αυξηθούν και οι στάθμισές τους με κακή θέση ενδέχεται να μειωθούν.

Στο τέλος, οι επικαλύψεις μηχανικής μάθησης επιτρέπουν σε έναν θεμελιώδη διαχειριστή επενδύσεων να συνδυάσει την οξυδέρκεια επιλογής αποθεμάτων με την αιχμή, να χρηματοδοτήσει συγκεκριμένα AI/ML για καλύτερα αποτελέσματα.

Ένας διαχειριστής επενδύσεων μπορεί να συμπαθεί τις μετοχές Facebook, Apple, Amazon, Netflix και Google (FAANG) και να διαπιστώσει ότι προσφέρουν καλές επιδόσεις στο χαρτοφυλάκιό τους, αλλά έχουν και τις πέντε σε ίσα βάρη. Η προσθήκη της επικάλυψης μηχανικής εκμάθησης Boosted Insights επιτρέπει στο μηχάνημα να αλλάξει ελαφρώς τις σταθμίσεις – ας πούμε, το Facebook μειώνεται στο 18.5% και η Apple αυξάνεται στο 21.5%. Αυτές οι μικρές διαφορές, ενώ διατηρούν το χαρτοφυλάκιο του διαχειριστή επενδύσεων το ίδιο ακριβώς, μπορούν να οδηγήσουν σε καλύτερα αποτελέσματα όσον αφορά την απόδοση, το άλφα και τη μεταβλητότητα.

Διαπιστώσαμε ότι αυτοί οι τύποι μοντέλων μπορούν να βελτιώσουν χαρτοφυλάκια που είχαν ήδη υψηλό άλφα προσαρμόζοντας μόνο τους συντελεστές στάθμισης των μετοχών και χωρίς να χρειάζεται να προσαρμόσουν τη σύνθεση. Το Beta παρέμεινε συνεπές καθώς οι κατανομές της γραμμής βάσης προσαρμόστηκαν από τις επικαλύψεις μοντέλων.

Μηχανική μάθηση για καλύτερες επενδύσεις

Η μηχανική μάθηση έχει και θα συνεχίσει να διαταράσσει τις βιομηχανίες. Οι διαχειριστές επενδύσεων μπορούν να βελτιώσουν τους στόχους του χαρτοφυλακίου τους εφαρμόζοντας τη μηχανική μάθηση στη διαδικασία τους, αλλά με τρόπο συμπληρωματικό και οργανικό στη ροή εργασίας τους. Ένας καλός τρόπος για να βουτήξουν τα δάχτυλά τους στα νερά των τεχνικών μηχανικής μάθησης είναι να εφαρμόσουν μια επικάλυψη μηχανικής μάθησης.