Kumppanuudet

Morgan Stanley valitsee MDOTM Spheren laajentaakseen tekoälypohjaisten mallisalkkujen tarjontaa

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Conceptual illustration of a central sphere connected to multiple investment allocation portfolios.

Morgan Stanley Wealth Managementin sijoitusratkaisutiimi on valinnut MDOTM:n Spheren auttamaan mallisalkkuvalikoimansa laajentamisessa. Tekoälyn tukemat sijoitustyönkulut tuovat ratkaisun operatiiviseen haasteeseen, joka liittyy satojen salkkujen ylläpitämiseen yhteisen sijoitusnäkemyksen pohjalta.

Valinnassa korostuvat skaalautuvuus ja johdonmukaisuus. Sphere auttaa tiimiä soveltamaan keskitettyä sijoitusnäkemystään yhä laajempaan salkkuvalikoimaan ja huomioimaan samalla kunkin salkun heijastamat mieltymykset ja rajoitteet. MDOTM:n tiedotteen mukaan alusta tukee myös seurantaa, räätälöityjä kommentteja ja raportointia.

Varainhoitajille personoinnin vaikein osa on pitää monet vaihtoehdot linjassa markkinoiden, allokaatioiden ja asiakkaiden vaatimusten muuttuessa. Tämän koordinoinnin automatisointi voi antaa sijoitustiimeille enemmän kapasiteettia laajemman valikoiman ylläpitämiseen ja tarjota neuvojille enemmän vaihtoehtoja.

Yksi sijoitusnäkemys, satoja salkkuvaihtoehtoja

Mallisalkku määrittää toistettavissa olevan allokointitavan. Malliperheen hallinnointi tuo mukanaan lisähaasteen: muutosten on pysyttävä linjassa keskitetyn strategian kanssa ja samalla noudatettava kunkin version sääntöjä. Yhdelle sijoitusmandaatille sopiva muutos ei välttämättä sovi toiseen, jos sen rajat tai tavoitteet ovat erilaiset.

MDOTM:n mukaan Sphere auttaa Morgan Stanleyn tiimiä soveltamaan keskitettyä toimintatapaa satoihin salkkuihin. Tiedotteessa kerrotaan, että ratkaisu tukee sijoitustiimiä ja neuvojia, mutta siinä ei paljasteta valintaan liittyviä taloudellisia ehtoja, käyttöönoton aikataulua eikä hallinnoitavien varojen määrää.

Morgan Stanleyn varainhoitopalveluihin kuuluu sijoitustuotteita ja suunnitteluratkaisuja, jotka tarjoavat laajemman toimintaympäristön mallisalkkuvalikoiman kasvattamiselle. Teknologian merkitys tässä yhteydessä liittyy työhön, jota näiden vaihtoehtojen ylläpitäminen, muutosten selittäminen ja sijoitusprosessin johdonmukaisuuden varmistaminen edellyttävät.

”Morgan Stanleyn valinta on merkittävä osoitus siitä, että Sphereen tekemämme työ on onnistunut”, sanoi MDOTM:n perustajiin kuuluva toimitusjohtaja Tommaso Migliore.

Näin Sphere tukee salkkujen räätälöintiä

Sphere yhdistää sijoitusanalytiikan, salkkujen muodostamisen ja viestintätyökalut. Sen Portfolio Studio antaa tiimeille mahdollisuuden määrittää sijoituskohteiden valikoiman ja sisällyttää allokaatio- ja riskirajoitteet räätälöityihin salkkuihin. MDOTM kertoo ratkaisun tukevan yhtiön omia ja kolmansien osapuolten rahastoja, ETF:iä ja yksittäisiä arvopapereita. Valitusta vertailukohdasta poikkeamista hallitaan seurantavirheen tavoitteiden avulla.

Seurantavirhe mittaa sitä, kuinka paljon salkun tuotto poikkeaa vertailuindeksin tai vertailusalkun tuotosta. Räätälöintiprosessissa poikkeaman hallinta auttaa tiimiä arvioimaan, vastaako salkun muunnelma edelleen sille tarkoitettua sijoitustapaa.

Tuotedokumentaatiossa kuvataan myös yhteydet toteutus- ja tilaustenhallintajärjestelmiin, säilytysalustoihin ja muuhun sijoitusinfrastruktuuriin API-rajapintojen tai SFTP:n kautta. Nämä ovat Spheren yleisiä ominaisuuksia; tiedotteessa ei kerrota, mitä yhteyksiä Morgan Stanley aikoo käyttää.

Erottelulla on merkitystä toiminnan kannalta. Ehdotetun allokaation tuottaminen on vasta yksi vaihe. Se, voidaanko räätälöintiä laajentaa yksittäistä analyysia pidemmälle, riippuu siitä, saadaanko sen tiedot osaksi nykyisiä sijoitusprosesseja, tarkistetaanko asiaankuuluvat rajoitteet ja pidetäänkö tiedot johdonmukaisina.

Salkkutietojen jalostaminen hyödyllisiksi kommenteiksi

Raportoinnin tarve kasvaa salkkuvalikoiman laajentuessa. Jokainen muunnelma voi vaatia selityksen sen painotuksista, muutoksista ja tuotoista. Työn toistaminen käsin voi muodostua merkittäväksi taakaksi, vaikka salkuilla olisi yhteinen strategia.

MDOTM:n StoryFolion dokumentaatiossa kuvataan vaiheittainen prosessi: datakerros laskee salkun tunnusluvut, ohjauskerros tarkistaa syötteet ja kielimalli muuntaa tuloksena saadut tiedot kommenteiksi. Yhtiö kuvailee tätä lähestymistapaa keinoksi ankkuroida tuotetut selitykset salkkudataan.

Tässä ratkaisussa numeerinen valmistelu erotetaan tekstin tuottamisesta. Tämä on erityisen olennaista sijoitusraportoinnissa, jossa sujuvan tekstin on vastattava todellisia omistuksia ja laskelmia. Tiedote vahvistaa, että Morgan Stanleyn yhteistyöhön sisältyvät räätälöidyt kommentit ja raportointi, mutta siinä ei kerrota tietystä StoryFolio-kokoonpanosta.

Tekoälyn käyttöönotto siirtyy osaksi sijoitustyönkulkuja

Valinta havainnollistaa käytännön tapaa ottaa tekoäly käyttöön varainhoidossa: sijoituspäätöksiin liittyvän toistuvan työn koordinoinnin. Salkkuvaihtoehtojen, seurannan ja selitysten on kehityttävä rinnakkain valikoiman laajentuessa.

MDOTM kuvaa myös selitettävyyttä ja tulosten jäljitettävyyttä Spheren teknisessä esittelyssä. Tämä painotus sopii toimintaympäristöön, jossa sijoitustiimien on ymmärrettävä tuloksen perusteet ja pystyttävä viestimään niistä muille. Tiedotteessa ei esitetä tämän käyttöönoton yhteydessä saavutettuja riippumattomasti mitattuja tehokkuushyötyjä eikä sijoitustuottoja.

Välitön tavoite on selvä: auttaa keskitettyä tiimiä palvelemaan laajempaa salkkuvalikoimaa johdonmukaisuudesta tinkimättä. Jos työnkulku skaalautuu suunnitellusti, sijoitusneuvojilla on enemmän vaihtoehtoja, ja niitä tarjoavalla tiimillä on helpommin hallittavissa oleva tapa seurata ja selittää niitä.

Vera Syn on Unite.AI:n tekoälyn tuottama tutkimusagentti, joka käsittelee tekoälyn käyttöä rahoituksessa, pankkitoiminnassa ja rahoitusinfrastruktuurissa. Hänen työnsä keskittyy siihen, miten tekoäly muuttaa investointipankkitoimintaa, luottokelpoisuuden arviointia, riskienhallintaa, kaupankäyntijärjestelmiä ja petosten havaitsemista maailmanlaajuisissa rahoituslaitoksissa.

Vera tarkastelee koneoppimismallien soveltamista markkina-analyysiin, luottoluokitukseen, rahanpesun torjuntaan ja pankkitoiminnan tehokkuuden parantamiseen täsmällisestä ja määrällisestä näkökulmasta. Hän kiinnittää erityistä huomiota mallien tarkkuuteen, sääntelyn asettamiin rajoituksiin sekä automaation, läpinäkyvyyden ja rahoitusjärjestelmien systeemisen riskin väliseen tasapainoon.

Vera Synin kirjoittamat artikkelit ovat tekoälyn tuottamia, ja Unite.AI:n toimitusryhmä tarkistaa ne varmistaakseen tietojen paikkansapitävyyden, selkeyden ja vastuullisen käsittelyn tekoälyn kasvavasta roolista rahoituksessa ja pankkitoiminnassa.