기관 투자자들은 수익을 찾고 있습니다. 기계 학습 오버레이가 도움을 줄 수 있습니다.

Nicholas Abe, Boosted.ai의 공동 창립자 및 COO

투자자들은 정량적 접근과 근본적 접근의 최선을 얻을 수 있는 방법은 무엇일까요? 기계 학습 오버레이를 구현하는 것입니다. Boosted.ai의 공동 창립자이자 최고 운영 책임자 인 Nick Abe는 근본적 관리자들은 기술과 기관 투자자 수요의 변화에 적응하지 않음으로써 이익을 남겨두고 있다고 말합니다. 그는 금융 분야의 전문 지식과 최신 인공지능 도구를 결합하여 알파와 샤피를 증가시킬 수 있다고 말합니다.

투자 스펙트럼의 양쪽 – 정량적 접근과 근본적 접근 – 모두 최근에 문제를 겪었습니다. 2020년 코로나19 팬데믹으로 시장에 예상치 못한 변동성이 발생했기 때문에 가장 복잡한 투자자들조차 어려움을 겪었습니다.

정량적 접근은 대형 자산 관리 회사에서 자신의 정량 팀을 구성함으로써 서서히 구축되고 있습니다. 그러나 현대 기술에서 우위를 점할 수 있는 약속은 기계 학습을 성공적으로 구현하는 어려움과 함께 만났습니다. 이는 전문 지식이 필요하고 기능하는 프로그램을 개발하는 비용이 높기 때문입니다.

정량적 접근을 성공적으로 구현하는 회사들은 데이터 과학자와 엔지니어들을 고용하여大量의 복잡한 데이터를 분석합니다. 그러나 때때로 인간의 감시 없이도 블랙 스완 이벤트나 다른 제도적 변화를 데이터에서 예측하는 것은 어려울 수 있습니다.

기본적인 실패

대부분의 사람들이 기본적 분석의 원리를 알고 있습니다. 재무 제표와 경제적 요인을 연구하여 투자자들이 목표와 위험 감수성에 따라 최고의 수익을 얻을 수 있는 곳에 투자하기 위한 결정에 대한 정보를 얻습니다. 투자자들은 수십 년 동안 이 시간이 걸리는 접근 방식을 연마하여 수익을 창출해 왔습니다. 그러나 일부 투자자들은 근본적 분석의 성능을 향상시키고 정보를 더 빠르게 분석하며 의사 결정 과정에서 간섭할 수 있는 인지적 편향을 줄이는 데 도움이 될 수 있는 최신 기술인 기계 학습과 대체 데이터를 사용하는 방법을 찾고 있습니다.

さらに, 근본적 적극적 투자 관리는 수수료 압박, 기술적 진보, 투자자 감정의 변화를 포함한 엄청난 도전을 겪고 있습니다.

정량적 접근과 근본적 접근은 무엇을 공통으로 가지고 있을까요? 둘 다 세계를 연구하여 자본을 배치하기 위한 정보에 기반한 결정을 내립니다.

그러나 세 번째 옵션이 있다면?

기본 관리에서 기계 학습의 필요성

기계 학습은 산업과 일상 생활을 혁신하고 있습니다. 구글 번역부터 자율 주행 자동차까지 기술은 산업 혁명과 마찬가지로 세계를 변革하고 있으며, 투자 관리 산업도 이러한 변화에서免れ지 못할 것입니다. 2019년 CFA Institute의 조사에 따르면, 투자 포트폴리오 관리자 중仅 10%만이 투자 과정에서 인공지능이나 기계 학습을 사용했습니다.

기술이 계속 발전함에 따라 기계 학습 기술은 투자 관리의 필수적인 요소가 될 것입니다. 그러나 많은 기계 학습 응용 프로그램은 전통적인 관리자들에게 익숙하지 않은 프로그래밍 지식을 필요로 합니다. 전통적인 관리자들은 자신의 근본적 분석에 더 자신감을 가지고 있으며, 이를 통해 더 깊은 이해를 가지고 있습니다.

기계 학습 오버레이를 통한 더好的 프로세스

포트폴리오에 기계 학습 오버레이를 추가하는 것은 근본적 투자 관리자의 전문 지식과 기술의 우위를 결합한 예입니다.

기계 학습 오버레이는 근본적 투자자들이 기술을 도입하는 데遇하는 장애물을 해결합니다. 기계 학습 오버레이는 쉽게 사용할 수 있으며 기존 포트폴리오 위에 배포할 수 있으며 프로그래밍 지식이 필요하지 않습니다. 또한 기계가 의사 결정에 중요한 변수로 간주한 변수를 설명하여 근본적 관리자가 기계 학습을 더 편안하게 구현할 수 있도록 도와줍니다.

예를 들어, Boosted Insights의 기계 학습 오버레이는 투자 관리자의 기존 포트폴리오를 가져와 주식의 가중치를 약간 조정합니다. 새로운 주식을 추가하지 않고 기존 포트폴리오의 주식 가중치를 조정합니다. 기계 학습이 높은 순위를 매긴 주식은 가중치를 증가시키고, 낮은 순위를 매긴 주식은 가중치를 감소시킵니다.

최종적으로, 기계 학습 오버레이는 근본적 투자 관리자가 주식 선택의 전문 지식과 금융 특화 인공지능/기계 학습을 결합하여 더好的 결과를 얻을 수 있도록 도와줍니다.

투자 관리자는 Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix 및 Google (FAANG) 주식을 좋아하고 포트폴리오에서 좋은 성과를 보일 수 있습니다. 그러나 기계 학습 오버레이를 추가하면 기계가 주식의 가중치를 약간 조정할 수 있습니다. 예를 들어, Facebook의 가중치를 18.5%로 줄이고 Apple의 가중치를 21.5%로 증가시킬 수 있습니다. 이러한 작은 차이로 투자 관리자의 포트폴리오가 동일하게 유지되면서도 더好的 결과를 얻을 수 있습니다.

투자에 더好的 기계 학습

기계 학습은 산업을 혁신하고 있습니다. 투자 관리자는 기계 학습을 구현하여 포트폴리오 목표를 향상시킬 수 있습니다. 그러나 이는 투자 관리자의 워크플로우에 보완적이고 유기적으로 구현되어야 합니다. 기계 학습 기술을 도입하는 좋은 방법은 기계 학습 오버레이를 구현하는 것입니다.