Az intézményi befektetők megtérülést keresnek. A gépfedések segíthetnek megtalálni őket

Szerző: Nicholas Abe, a társaság társalapítója és vezérigazgatója Boosted.ai

Hogyan hozhatják ki a befektetők mindkét világból a legjobbat a mennyiségi és az alapvető megközelítésekből? Gépi tanulási átfedések megvalósításával – írja Nick Abe, a Boosted.ai társalapítója és operatív igazgatója. A fundamentális menedzserek nyereséget hagynak az asztalon, mivel nem alkalmazkodnak a változó technológiákhoz és az intézményi befektetői kereslethez. Abe bebizonyítja, hogy pénzügyi területen szerzett szakértelmüket a legmodernebb mesterséges intelligencia eszközökkel kombinálva növelheti az alfa és a Sharpe mennyiségét.

A befektetési spektrum mindkét oldala – mennyiségi és fundamentális – problémákkal küzd az utóbbi időben. Még a legkifinomultabb befektetők is küzdöttek 2020-ban a COVID-19 világjárvány által a piacra hozott előre nem látható volatilitás miatt.

A mennyiségi megközelítés lassan kiépül a nagy vagyonkezelőkben, miközben létrehozzák saját kvantitatív csapataikat. A modern technológia előnyére tett ígéret azonban a sikeres gépi tanulás gyakorlati megvalósításának nehézségeivel szembesült, nagyrészt a szükséges szakértelem és a működő program kifejlesztésének magas költségei miatt.

A sikeres kvantitatív üzletek számos Ph.D.-t, adattudóst és mérnököt alkalmaznak a nagy mennyiségű összetett adat értelmezésére – és néha még akkor is kudarcot vallanak. Az adatokból nehéz előrejelző erőt találni, és a fekete hattyú események, például a COVID-19 és más rendszerváltások emberi felügyelet nélkül elavulttá tehetik ezeket az adatokat.

Alapvető kudarcok

A legtöbb ember tisztában van a fundamentális elemzés alapelveivel – a pénzügyi kimutatások tanulmányozásával és a gazdasági tényezők figyelembevételével, hogy döntéseket hozzanak arról, hogy a befektetőknek hová kell befektetniük a legjobb hozam érdekében, a célok és a kockázati étvágy mellett. A befektetők évtizedek óta gyakorolják és csiszolják ezt az időigényes hozamszerzési megközelítést. Egyesek azonban felmelegednek a modern technológia, például a gépi tanulás és az alternatív adatok előnyeinek kihasználására, hogy javítsák a teljesítményt, rövidebb idő alatt szintetizálják az információkat, és csökkentsék a kognitív torzításokat, amelyek megzavarhatják a döntéshozatali folyamatot.

Ezenkívül az alapvető aktív befektetéskezelés hatalmas kihívásokkal néz szembe, kezdve a díjak szűkítésétől és a technológiai fejlesztésektől egészen az alacsony költségű ETF-ek felé történő befektetői hangulat eltolódásáig.

Mi a közös a kvantitatív és az alapvető megközelítésben? Tanulmányozzák az őket körülvevő világot, hogy megalapozott döntéseket hozhassanak arról, hogy hol helyezzék el a legjobban a tőkét a megtérülés érdekében.

De mi van, ha lenne egy harmadik lehetőség?

Felhívás gépi tanulásra az alapvető menedzsmentben

A gépi tanulás forradalmasította az iparágakat és a mindennapi életet. A Google Fordítótól az önvezető autókig a technológia az azt megelőző ipari forradalomhoz hasonlóan átalakítja a világot, és a befektetéskezelési ágazat sem lesz immunis a változásokkal szemben. A CFA Institute 2019-es tanulmánya szerint, amelyben portfóliókezelőket kérdeztek meg, a portfóliókezelőknek mindössze 10%-a használt mesterséges intelligenciát vagy gépi tanulást befektetési folyamatai során.

Ahogy a technológia folyamatosan fejlődik, a gépi tanulási technikák a befektetéskezelés nem alku tárgyává válnak. Számos gépi tanulási alkalmazás azonban a hagyományos menedzserektől idegen programozási ismereteket igényel, akik jobban bíznak saját fundamentális elemzésükben, amit önállóan is meg tudnak tenni, és alapértelmezés szerint mélyebb ismeretekkel rendelkeznek.

A fenti akadályok ismeretében hogyan tudnak sikeresen alkalmazkodni az alapvető vezetők?

Kombináció a jobb folyamat érdekében: Gépi tanulási átfedések

A gépi tanulási átfedés hozzáadása a portfólióhoz csak egy példa az alapvető befektetési menedzser szakértelmének és a mesterséges intelligencia által kínált technológiai előnyöknek a házasságára.

A gépi átfedések megoldják a technológiát beépíteni szándékozó alapvető befektetők akadályait. Könnyen használhatóak, és programozási ismeretek nélkül telepíthetők a hagyományos befektetők meglévő portfólióira. Teljes mértékben megmagyarázhatóvá teszik a gép érvelését, bemutatva, hogy a gépi tanulás mely változókat tartotta fontosnak a döntéshozatalban. Ez segíti az alapvető vezetőket, hogy kényelmesebben alkalmazzák az intelligenciát a folyamatukban.

Például egy Boosted Insights gépi tanulási fedvény egy befektetéskezelő meglévő portfólióját veszi fel, és kissé módosítja a részvénypozíciók súlyozását. Nem ad hozzá új pozíciókat, hanem módosítja a részvények súlyozását (hosszú vagy rövid) a menedzser meglévő portfóliójában. Megállapításai alapján a magas helyezést elérő részvények súlyozása megemelkedhet, míg a gyengén teljesítő részvények súlya csökkenhet.

Végül a gépi tanulási átfedések lehetővé teszik az alapvető befektetési menedzserek számára, hogy egyesítsék részvényválogatási képességeiket az élvonalbeli élvonallal, és finanszírozzák a specifikus AI/ML-t a jobb eredmények érdekében.

Egy befektetési menedzser kedvelheti a Facebook, az Apple, az Amazon, a Netflix és a Google (FAANG) részvényeit, és azt tapasztalhatja, hogy jó teljesítményt nyújtanak a portfóliójukban, de mind az öt azonos súllyal szerepel. A Boosted Insights gépi tanulási fedvény hozzáadása lehetővé teszi a gép számára, hogy kissé módosítsa a súlyozást – mondjuk a Facebook 18.5%-ra csökken, az Apple pedig 21.5%-ra emelkedik. Ezek a kisebb különbségek, miközben a befektetési menedzser portfóliója pontosan ugyanaz marad, jobb eredményeket eredményezhet a hozam, az alfa és a volatilitás tekintetében.

Megállapítottuk, hogy az ilyen típusú modellek már csak a részvények súlyozásának módosításával képesek javítani a magas alfa-értékkel rendelkező portfóliókat, és nem kell módosítani az összetételen. A béta konzisztens maradt, mivel az alapszintű allokációkat a modellfedések korrigálták.

Gépi tanulás a jobb befektetés érdekében

A gépi tanulás megzavarta és továbbra is megzavarja az iparágakat. A befektetéskezelők úgy javíthatják portfólió-céljaikat, hogy a gépi tanulást beépítik a folyamatukba, de úgy, hogy az kiegészítse és szervesen illeszkedjen munkafolyamataikhoz. Egy jó módja annak, hogy lábujjaikat a gépi tanulási technikák vizébe merítsék, egy gépi tanulási átfedés megvalósítása.