Οι Θεσμικοί Επενδυτές Ψάχνουν για Απόδοση. Τα Machine Overlays Μπορούν να Βοηθήσουν να τις Βρουν

Για τον Nicholas Abe, συνιδρυτή και Διευθυντή Επιχειρήσεων της Boosted.ai

Πώς μπορούν οι επενδυτές να πάρουν το καλύτερο από τους δύο κόσμους από τις ποσοτικές και θεμελιώδεις προσεγγίσεις; Εφαρμόζοντας machine learning overlays, γράφει ο Nick Abe, συνιδρυτής και Διευθυντής Επιχειρήσεων της Boosted.ai. Οι διαχειριστές θεμελιώδους επένδυσης αφήνουν κέρδη στο τραπέζι χωρίς να προσαρμοστούν στις αλλαγές της τεχνολογίας και της ζήτησης των θεσμικών επενδυτών. Ο Abe αποδεικνύει ότι η συνδυασμένη εμπειρογνωσία τους με τα πιο προηγμένα εργαλεία τεχνητής νοημοσύνης μπορεί να αυξήσει την απόδοση και τη σταθερότητα.

Και οι δύο πλευρές του φάσματος επένδυσης – ποσοτική και θεμελιώδης – έχουν αντιμετωπίσει προβλήματα πρόσφατα.就算 οι πιο εξειδικευμένοι επενδυτές δυσκολεύτηκαν το 2020 λόγω της απρόβλεπτης волатιλότητας που έφερε η πανδημία COVID-19 στην αγορά.

Η ποσοτική προσέγγιση έχει xây dựng σιγά-σιγά μέσα στους μεγάλους διαχειριστές περιουσίας, καθώς δημιουργούν τις δικές τους ποσοτικές ομάδες. Ωστόσο, η υπόσχεση για να έχουν ένα πλεονέκτημα από τη σύγχρονη τεχνολογία έχει συναντήσει τις δυσκολίες της εφαρμογής του επιτυχούς machine learning στην πράξη, κυρίως λόγω της εμπειρογνωσίας που απαιτείται και του υψηλού κόστους ανάπτυξης eines λειτουργικού προγράμματος.

Οι επιτυχημένες ποσοτικές εταιρείες απασχολούν πλήθους Ph.D., επιστήμονες δεδομένων και μηχανικούς για να δώσουν νόημα σε μεγάλες ποσότητες σύνθετων δεδομένων – και ακόμη και τότε μερικές φορές αποτυγχάνουν. Η εύρεση προβλεπτικής δύναμης από τα δεδομένα είναι δύσκολο, και τα γεγονότα μαύρου κύκνου όπως η COVID-19 και άλλες αλλαγές καθεστώτος μπορούν να καταστήσουν αυτά τα δεδομένα απαρχαιωμένα χωρίς ανθρώπινη επιτήρηση.

Θεμελιώδεις Αποτυχίες

Οι περισσότεροι άνθρωποι είναι εξοικειωμένοι με τις αρχές της θεμελιώδους ανάλυσης – μελετώντας οικονομικές καταστάσεις και ενσωματώνοντας οικονομικούς παράγοντες για να λάβουν αποφάσεις για το πού οι επενδυτές πρέπει να επενδύσουν για τις καλύτερες αποδόσεις με βάση τους στόχους και την αντοχή τους. Οι επενδυτές έχουν εξασκηθεί και βελτιώσει αυτήν την χρονοβόρα προσέγγιση για την παροχή αποδόσεων για δεκαετίες. Κάποιοι, ωστόσο, αρχίζουν να κάνουν χρήση της σύγχρονης τεχνολογίας όπως η μηχανική μάθηση και τα εναλλακτικά δεδομένα για να βελτιώσουν την απόδοση, να συνθέσουν πληροφορίες σε λιγότερο χρόνο και να μειώσουν τις γνωστικές προκαταλήψεις που μπορεί να επηρεάσουν τη διαδικασία λήψης αποφάσεων.

Επιπλέον, η θεμελιώδης ενεργός διαχείριση επένδυσης αντιμετωπίζει τεράστιες προκλήσεις, που κυμαίνονται από τη συμπίεση τελών και τις τεχνολογικές προόδους μέχρι την αλλαγή της στάσης των επενδυτών προς τις χαμηλόκοστους ETF.

Τι έχουν κοινό και οι δύο ποσοτικές και θεμελιώδεις προσεγγίσεις; Μελετούν τον κόσμο γύρω τους για να λάβουν ενημερωμένες αποφάσεις για το πού να αναθέσουν κεφάλαια για αποδόσεις.

Αλλά τι αν υπήρχε ένα τρίτο επιλογή;

Η Πρόσκληση για Μηχανική Μάθηση στη Θεμελιώδη Διαχείριση

Η μηχανική μάθηση έχει επανακατασκευάσει βιομηχανίες και την καθημερινή ζωή. Από τη Google Translate μέχρι τα αυτονομικά οχήματα, η τεχνολογία μεταμορφώνει τον κόσμο όπως η βιομηχανική επανάσταση πριν από αυτήν, και η βιομηχανία διαχείρισης επένδυσης δεν θα είναι απαλλαγμένη από τις αλλαγές. Σύμφωνα με μια μελέτη του 2019 από το CFA Institute που έκανε έρευνα στους διαχειριστές χαρτοφυλακίου, μόνο το 10% των διαχειριστών χαρτοφυλακίου είχαν χρησιμοποιήσει οποιαδήποτε τεχνητή νοημοσύνη ή μηχανική μάθηση στη διαδικασία επένδυσης.

Όσο η τεχνολογία συνεχίζει να προοδεύει, οι τεχνικές μηχανικής μάθησης θα γίνουν αναπόσπαστο μέρος της διαχείρισης επένδυσης. Ωστόσο, πολλές εφαρμογές μηχανικής μάθησης απαιτούν γνώσεις προγραμματισμού που είναι ξένες στους παραδοσιακούς διαχειριστές που είναι πιο σίγουροι στην δική τους θεμελιώδη ανάλυση, την οποία μπορούν να κάνουν μόνοι τους και έχουν μια βαθύτερη κατανόηση.

Δεδομένων των εμποδίων παραπάνω, πώς μπορούν οι θεμελιώδεις διαχειριστές να προσαρμοστούν επιτυχώς;

Συνδυάζοντας για μια Καλύτερη Διαδικασία: Machine Learning Overlays

Η προσθήκη ενός machine learning overlay σε ένα χαρτοφυλάκιο είναι μόνο ένα παράδειγμα του γάμου της εμπειρογνωσίας του θεμελιώδους διαχειριστή επένδυσης και των τεχνολογικών πλεονεκτημάτων που προσφέρει η τεχνητή νοημοσύνη.

Τα machine overlays λύνουν τα εμπόδια των θεμελιωδών επενδυτών που επιθυμούν να ενσωματώσουν την τεχνολογία. Είναι εύχρηστα και μπορούν να αναπτυχθούν πάνω από τα υπάρχοντα χαρτοφυλάκια των παραδοσιακών επενδυτών χωρίς να απαιτείται γνώση προγραμματισμού. Παρέχουν πλήρη εξήγηση του λόγου του μηχανήματος, δείχνοντας ποια μεταβλητά η μηχανική μάθηση θεωρούσε σημαντικά στη λήψη αποφάσεων. Αυτό βοηθά τους θεμελιώδεις διαχειριστές να αισθανθούν πιο άνετα στην εφαρμογή της νοημοσύνης στη διαδικασία τους.

Για παράδειγμα, ένα machine learning overlay της Boosted Insights παίρνει το υπάρχον χαρτοφυλάκιο ενός διαχειριστή επένδυσης και调 chỉnhει ελαφρά τα σταθμισμένα ποσοστά των μετοχών. Δεν προσθέτει νέες θέσεις – αλλά調 chỉnhει τα σταθμισμένα ποσοστά (μακροχρόνια ή βραχυχρόνια) των μετοχών στο υπάρχον χαρτοφυλάκιο του διαχειριστή. Βασισμένο στα ευρήματά του, οι μετοχές που κατατάσσονται υψηλά μπορεί να έχουν τα σταθμισμένα ποσοστά τους αυξημένα και οι μετοχές που κατατάσσονται χαμηλά μπορεί να έχουν τα σταθμισμένα ποσοστά τους μειωμένα.

Στο τέλος, τα machine learning overlays επιτρέπουν σε einen θεμελιώδη διαχειριστή επένδυσης να συνδυάσει την ικανότητά του να επιλέγει μετοχές με τα πιο προηγμένα, finance-ειδικά εργαλεία AI/ML για καλύτερα αποτελέσματα.

Ένας διαχειριστής επένδυσης μπορεί να喜欢 τις μετοχές Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix και Google (FAANG) και να βρει ότι προσφέρουν καλή απόδοση στο χαρτοφυλάκιο του, αλλά να έχει όλες τις πέντε μετοχές με ίσα σταθμισμένα ποσοστά. Η προσθήκη του machine learning overlay της Boosted Insights επιτρέπει στο μηχάνημα να調 chỉnhει ελαφρά τα σταθμισμένα ποσοστά – για παράδειγμα, η Facebook μειώνεται στο 18,5% και η Apple αυξάνεται στο 21,5%. Αυτές οι μικρές διαφορές, διατηρώντας το χαρτοφυλάκιο του διαχειριστή επένδυσης ακριβώς το ίδιο, μπορούν να οδηγήσουν σε καλύτερα αποτελέσματα όσον αφορά την απόδοση, την αλφα και τη волатιλότητα.

Έχουμε βρει ότι αυτά τα είδη μοντέλων είναι σε θέση να βελτιώσουν χαρτοφυλάκια που είχαν υψηλή αλφα ήδη,調 chỉnhοντας μόνο τα σταθμισμένα ποσοστά των μετοχών και όχι αναθέτοντας τη σύνθεση. Η βητα παρέμεινε σταθερή, καθώς οι βασικές αναθέσεις調 chỉnhθηκαν από το μοντέλο.

Μηχανική Μάθηση για Καλύτερη Επένδυση

Η μηχανική μάθηση έχει και θα συνεχίσει να διαταράσσει τις βιομηχανίες. Οι διαχειριστές επένδυσης μπορούν να βελτιώσουν τους στόχους του χαρτοφυλακίου τους εφαρμόζοντας μηχανική μάθηση στη διαδικασία τους, αλλά με τρόπο που είναι συμπληρωματικός και οργανικός στη ροή εργασίας τους. Ένας καλός τρόπος να βουτήξουν τα πόδια τους στα νερά των τεχνικών μηχανικής μάθησης είναι να εφαρμόσουν ένα machine learning overlay.