Investor Institusi Mencari Pengembalian. Machine Overlays Dapat Membantu Mencarinya

Oleh Nicholas Abe, co-founder & COO dari Boosted.ai

Bagaimana investor dapat mendapatkan yang terbaik dari kedua dunia dari pendekatan kuantitatif dan fundamental? Dengan mengimplementasikan overlay machine learning, menulis Nick Abe, co-founder dan Chief Operating Officer of Boosted.ai. Manajer fundamental meninggalkan keuntungan di meja dengan tidak beradaptasi dengan teknologi yang berubah dan permintaan investor institusi. Abe menunjukkan bahwa menggabungkan keahlian domain keuangan mereka dengan alat kecerdasan buatan canggih dapat meningkatkan alpha dan Sharpe.

Kedua sisi spektrum investasi – kuantitatif dan fundamental – telah mengalami masalah belakangan ini. Bahkan investor paling canggih mengalami kesulitan pada tahun 2020 karena volatilitas yang tidak terduga yang dibawa oleh pandemi COVID-19 ke pasar.

Pendekatan kuantitatif telah perlahan-lahan berkembang dalam pengelola aset besar karena mereka menciptakan tim kuantitatif mereka sendiri. Namun, janji memiliki keunggulan dari teknologi modern telah dipenuhi dengan kesulitan dalam mengimplementasikan machine learning yang sukses, sebagian besar karena keahlian yang diperlukan dan biaya tinggi untuk mengembangkan program yang berfungsi.

Toko kuantitatif yang sukses mempekerjakan banyak Ph.D., ilmuwan data, dan insinyur untuk memahami sejumlah besar data kompleks – dan bahkan kemudian terkadang gagal. Menemukan kekuatan prediktif dari data itu sulit, dan peristiwa black swan seperti COVID-19 dan pergeseran rezim lainnya dapat membuat data itu usang tanpa pengawasan manusia.

Kegagalan Fundamental

Mayoritas orang menyadari prinsip-prinsip analisis fundamental – mempelajari laporan keuangan dan menggabungkan faktor ekonomi untuk membuat keputusan tentang di mana investor harus berinvestasi untuk mendapatkan pengembalian terbaik yang diberikan oleh tujuan dan nafsu risiko. Investor telah mempraktikkan dan mengasah pendekatan yang memakan waktu ini untuk menghasilkan pengembalian selama dekade. Beberapa, bagaimanapun, mulai memanfaatkan teknologi modern seperti machine learning dan data alternatif untuk meningkatkan kinerja, mensintesis informasi dalam waktu yang lebih singkat, dan mengurangi bias kognitif yang mungkin mengganggu proses pengambilan keputusan.

Lebih lanjut, manajemen investasi aktif fundamental menghadapi tantangan besar, mulai dari kompresi biaya dan kemajuan teknologi hingga pergeseran sentimen investor terhadap ETF berbiaya rendah.

Apa yang dimiliki kedua pendekatan kuantitatif dan fundamental? Mereka mempelajari dunia di sekitar mereka untuk membuat keputusan yang tepat tentang di mana untuk mengalokasikan modal untuk pengembalian.

Tapi apa jika ada pilihan ketiga?

Panggilan untuk Machine Learning dalam Manajemen Fundamental

Machine learning telah merevolusi industri dan kehidupan sehari-hari. Dari Google Translate hingga mobil self-driving, teknologi ini mengubah dunia seperti revolusi industri sebelumnya, dan industri manajemen investasi tidak akan kebal dari perubahan ini. Menurut studi 2019 oleh CFA Institute yang mengirimkan survei kepada manajer portofolio, hanya 10% manajer portofolio yang telah menggunakan kecerdasan buatan atau machine learning dalam proses investasi mereka.

Seiring teknologi terus berkembang, teknik machine learning akan menjadi aspek yang tidak dapat dinegosiasikan dalam manajemen investasi. Namun, banyak aplikasi machine learning memerlukan pengetahuan pemrograman yang asing bagi manajer tradisional yang lebih percaya diri dalam analisis fundamental mereka, yang dapat mereka lakukan sendiri dan secara default memiliki pemahaman yang lebih dalam.

Bagaimana manajer fundamental dapat berhasil beradaptasi?

Menggabungkan untuk Proses yang Lebih Baik: Machine Learning Overlays

Menambahkan overlay machine learning ke portofolio hanyalah salah satu contoh pernikahan antara keahlian manajer investasi fundamental dan kelebihan teknologi yang ditawarkan AI.

Overlay mesin memecahkan hambatan bagi investor fundamental yang ingin mengintegrasikan teknologi. Mereka mudah digunakan dan dapat diterapkan di atas portofolio investor tradisional yang ada tanpa memerlukan pengetahuan pemrograman. Mereka menyediakan penjelasan penuh tentang alasan mesin, menunjukkan variabel mana yang dipandang penting dalam pengambilan keputusan. Ini membantu manajer fundamental merasa lebih nyaman mengimplementasikan kecerdasan dalam proses mereka.

Sebagai contoh, overlay machine learning Boosted Insights mengambil portofolio manajer investasi yang ada dan menyesuaikan bobot posisi saham sedikit. Ini tidak menambahkan posisi baru – melainkan menyesuaikan bobot (lama atau pendek) saham dalam portofolio manajer. Berdasarkan temuan, saham yang berperingkat tinggi mungkin memiliki bobotnya ditingkatkan dan saham yang berperingkat rendah mungkin memiliki bobotnya dikurangi.

Akhirnya, overlay machine learning memungkinkan manajer investasi fundamental untuk menggabungkan keahlian pemilihan saham mereka dengan kecerdasan buatan canggih, khusus keuangan, untuk hasil yang lebih baik.

Seorang manajer investasi mungkin menyukai saham Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix, dan Google (FAANG) dan menemukan bahwa mereka menawarkan kinerja yang baik dalam portofolio mereka, tetapi memiliki kelima saham dengan bobot yang sama. Penambahan overlay machine learning Boosted Insights memungkinkan mesin untuk menyesuaikan bobot sedikit – katakanlah, Facebook dikurangi menjadi 18,5% dan Apple ditingkatkan menjadi 21,5%. Perbedaan kecil ini, sambil menjaga portofolio manajer investasi tetap sama, dapat menghasilkan hasil yang lebih baik dalam hal pengembalian, alpha, dan volatilitas.

Kami telah menemukan bahwa model-model ini dapat meningkatkan portofolio yang sudah memiliki alpha tinggi dengan hanya menyesuaikan bobot saham dan tidak perlu menyesuaikan komposisi. Beta tetap konsisten karena alokasi dasar disesuaikan oleh overlay model.

Machine Learning untuk Investasi yang Lebih Baik

Machine learning telah dan akan terus mengganggu industri. Manajer investasi dapat meningkatkan tujuan portofolio mereka dengan mengimplementasikan machine learning ke dalam proses mereka, tetapi dengan cara yang komplementer dan organik dengan aliran kerja mereka. Cara yang baik untuk memulai dengan teknik machine learning adalah dengan mengimplementasikan overlay machine learning.