משקיעים מוסדיים מחפשים תשואות. כיסויי מכונה יכולים לעזור למצוא אותם

על ידי ניקולס אייב, מייסד-שותף ו-COO של Boosted.ai

כיצד יכולים משקיעים לקבל את הטוב ביותר משני עולמות של גישות כמותיות ופונדמנטליות? על ידי יישום כיסויי למידת מכונה, כותב ניק אייב, מייסד-שותף וקצין ההפעלה הראשי של Boosted.ai. מנהלים פונדמנטליים מותירים רווחים על השולחן בלי להסתגל לטכנולוגיות משתנות וביקוש של משקיעים מוסדיים. אייב מדגים כי שילוב ניסיונם בתחום הפיננסי עם כלים של בינה מלאכותית חדישים יכול להגדיל אלפא ו-שארפ.

שני צדדים של ספקטרום ההשקעות – כמותי ופונדמנטלי – התמודדו עם בעיות לאחרונה. אפילו המשקיעים המתוחכמים ביותר התקשו ב-2020 בגלל החוסר בצפיות של התנדבות COVID-19 שהביאה לשוק.

הגישה הכמותית הולכת ובונה לאט לאט בתוך מנהלי נכסים גדולים כאשר הם יוצרים את צוותי הכמות שלהם. עם זאת, הבטחת היתרון מטכנולוגיה מודרנית נתקלה בקשיים של הפעלת למידת מכונה מוצלחת, בעיקר בגלל המומחיות הנדרשת והעלות הגבוהה של פיתוח תוכנית תפקודית.

חנויות כמותיות מוצלחות מעסיקות חוקרים רבים, מדעני נתונים ומהנדסים כדי להבין כמויות גדולות של נתונים מורכבים – ואפילו אז לפעמים נכשלים. מציאת כוח ניבוי מנתונים היא קשה, ואירועים שחורים כמו COVID-19 ושינויים אחרים במשטר יכולים להיעשות מיושנים ללא פיקוח אנושי.

אי-סדרים פונדמנטליים

רוב האנשים מודעים לעקרונות של ניתוח פונדמנטלי – לימוד הודעות פיננסיות ושילוב גורמים כלכליים כדי לקבל החלטות על היכן להשקיע לקבלת תשואות הטובות ביותר נתונים מטרות ותיאום סיכון. משקיעים עסוקים ומעודנים בגישה זו למשך עשורים. חלקם, עם זאת, מתחממים לנצל את היתרונות של טכנולוגיה מודרנית כמו למידת מכונה ונתונים חלופיים כדי לחדד ביצועים, לסנתז נתונים בפחות זמן ולמנוע הטיות קוגניטיביות שעלולות להפריע בתהליך קבלת ההחלטות.

בנוסף, ניהול השקעות פעיל פונדמנטלי מול קשיים עצומים, החל מדחיסת תשלומים וקדימה טכנולוגית ועד לשינויים בדעת המשקיעים לעבר קרנות סל זולות.

מה יש לגישות כמותיות ופונדמנטליות במשותף? הם לומדים את העולם סביבם כדי לקבל החלטות מושכלות על היכן להשקיע את הון לתשואות.

אבל מה אם היה אפשרי פתרון שלישי?

הקריאה ללמידת מכונה בניהול פונדמנטלי

למידת מכונה מהפכה תעשיות וחיי יום-יום. מ-Google Translate ועד מכוניות הנוסעות בעצמן, טכנולוגיה משנה את העולם בדומה למהפכה התעשייתית לפני, ותעשיית ניהול ההשקעות לא תהיה חסינה לשינויים. על פי סקר 2019 של מכון CFA שערך סקר בקרב מנהלי תיקים, רק 10% ממנהלי התיקים השתמשו בשום אינטליגנציה מלאכותית או למידת מכונה בתהליך ההשקעות שלהם.

ככל שהטכנולוגיה ממשיכה להתקדם, טכניקות למידת מכונה יהפכו להיות חלק בלתי ניתן למשא ומתן של ניהול השקעות. עם זאת, הרבה יותר יישומים של למידת מכונה דורשים ידע תכנותי זר למנהלים מסורתיים שבטוחים יותר בניתוח הפונדמנטלי שלהם, אותו הם יכולים לבצע בעצמם וברירת מחדל הם מבינים יותר.

נתון המכשולים לעיל, כיצד יכולים מנהלים פונדמנטליים להסתגל בהצלחה?

שילוב לתהליך טוב יותר: כיסויי למידת מכונה

הוספת כיסוי למידת מכונה לתיק השקעות היא רק דוגמה אחת לנישואים של מומחיותו של מנהל ההשקעות הפונדמנטלי והיתרונות הטכנולוגיים של AI.

כיסויי מכונה פותרים את המכשולים של משקיעים פונדמנטליים המחפשים לשלב את הטכנולוגיה. הם קלים לשימוש ויכולים להיות מופעלים על גבי תיקי ההשקעות הקיימים של משקיעים מסורתיים ללא צורך בידע תכנותי. הם מספקים הסבר מלא של הסיבות של המכונה, המראה אילו משתנים המכונה ראתה כחשובים בקבלת ההחלטות. זה עוזר למנהלים פונדמנטליים להרגיש יותר בנוח ליישם את האינטליגנציה בתהליך.

לדוגמה, כיסוי למידת מכונה של Boosted Insights לוקח את תיק ההשקעות הקיים של מנהל ההשקעות ומוסיף משקלות קטנות למניות. הוא לא מוסיף מניות חדשות – אלא מוסיף משקלות (ארוכות או קצרות) של מניות בתיק הקיים של המנהל. על בסיס ממצאיו, מניות שדורגו ברמה גבוהה עשויות לקבל משקלות מוגברים ומניות שדורגו ברמה נמוכה עשויות לקבל משקלות מופחתים.

בסוף, כיסויי למידת מכונה מאפשרים למנהל השקעות פונדמנטלי לשלב את חוכמת בחירת המניות שלו עם AI/ML חדישים וספציפיים לפיננסים לתוצאות טובות יותר.

מנהל השקעות עשוי לאהוב את מניות Facebook, Apple, Amazon, Netflix ו-Google (FAANG) ולמצוא שהן מציעות ביצועים טובים בתיק שלו, אך יש לו את כולן במשקלים שווים. הוספת כיסוי למידת מכונה של Boosted Insights מאפשרת למכונה לשנות את המשקלים במעט – למשל, Facebook מופחתת ל-18.5% ו-Apple מוגברת ל-21.5%. הבדלים אלו, תוך שמירה על תיק ההשקעות של מנהל ההשקעות בדיוק כמו שהוא, יכולים להוביל לתוצאות טובות יותר במונחים של תשואה, אלפא והתנדופות.

מצאנו כי סוגים אלו של מודלים מסוגלים לשפר תיקים שהיו בעלי אלפא גבוה כבר על ידי כך שהם מוסיפים רק את המשקלים של המניות ולא צריכים לשנות את ההרכב. בטא היה עקבי כאשר הקצאות הבסיסיות הותאמו על ידי המודלים.

למידת מכונה להשקעות טובות יותר

למידת מכונה הפריעה ותמשיך להפריע לתעשיות. מנהלי השקעות יכולים לשפר את מטרות התיק שלהם על ידי יישום למידת מכונה לתהליך שלהם, אך בדרך שהיא משלימה ואורגנית לזרימת העבודה שלהם. דרך טובה להיכנס לתחום טכניקות למידת מכונה היא ליישם כיסוי למידת מכונה.