Institutionele beleggers zoeken rendement. Machine overlays kunnen helpen om deze te vinden

Door Nicholas Abe, mede-oprichter en COO van Boosted.ai

Hoe kunnen beleggers het beste van beide werelden krijgen van kwantitatieve en fundamentele benaderingen? Door machine learning overlays te implementeren, schrijft Nick Abe, mede-oprichter en Chief Operating Officer van Boosted.ai. Fundamentele managers laten winst liggen door niet aan te passen aan veranderende technologieën en de vraag van institutionele beleggers. Abe toont aan dat het combineren van hun financiële domeinexpertise met cutting-edge artificial intelligence tools de alpha en Sharpe kan verhogen.

Beide kanten van het beleggingspectrum – kwantitatief en fundamenteel – hebben recentelijk problemen ondervonden. Zelfs de meest geavanceerde beleggers hebben het moeilijk gehad in 2020 vanwege de onvoorziene volatiliteit die de COVID-19-pandemie op de markt bracht.

De kwantitatieve aanpak is langzaam gebouwd binnen grote vermogensbeheerders, omdat ze hun eigen kwantiteits teams creëren. Echter, de belofte van een voorsprong door moderne technologie is geconfronteerd met de moeilijkheden van het in praktijk brengen van succesvolle machine learning, voornamelijk vanwege de benodigde expertise en de hoge kosten van het ontwikkelen van een functionerend programma.

Succesvolle kwantitatieve winkels hebben legers van Ph.D.’s, data scientists en ingenieurs om zin te geven aan grote hoeveelheden complexe gegevens – en zelfs dan soms falen. Het vinden van voorspellende kracht in gegevens is moeilijk, en zwanenzwarte gebeurtenissen zoals COVID-19 en andere regimeveranderingen kunnen die gegevens verouderd maken zonder menselijke toezicht.

Fundamentele tekortkomingen

De meeste mensen zijn bekend met de principes van fundamentele analyse – het bestuderen van financiële statements en het incorporeren van economische factoren om beslissingen te nemen over waar beleggers moeten investeren voor de beste rendementen gegeven doelen en risicobereidheid. Beleggers hebben deze tijdrovende aanpak geoefend en verfijnd om rendementen te leveren voor decennia. Sommigen zijn echter warm aan het worden om moderne technologie zoals machine learning en alternatieve gegevens te gebruiken om hun prestaties te scherpen, informatie te synthetiseren in minder tijd en cognitieve vooroordelen te verminderen die de besluitvorming kunnen beïnvloeden.

Verder staat fundamenteel actief beheer van beleggingen voor enorme uitdagingen, variërend van kostencompressie en technologische vooruitgang tot veranderende beleggerssentimenten naar lage-kosten-ETF’s.

Wat hebben zowel kwantitatieve als fundamentele benaderingen gemeen? Ze bestuderen de wereld om hen heen om geïnformeerde beslissingen te nemen over waar het beste kapitaal kan worden ingezet voor rendement.

Maar wat als er een derde optie was?

De oproep tot machine learning in fundamenteel beheer

Machine learning heeft industrieën en het dagelijks leven gerevolutioneerd. Van Google Translate tot zelfrijdende auto’s, technologie verandert de wereld net zoals de industriële revolutie ervoor, en de beleggingsbeheerindustrie zal niet immuun zijn voor deze veranderingen. Volgens een studie van de CFA Institute uit 2019, die portefeuillemanagers ondervroeg, had slechts 10% van de portefeuillemanagers enige vorm van kunstmatige intelligentie of machine learning gebruikt in hun beleggingsproces.

Naarmate de technologie vordert, zullen machine learning-technieken een onmisbaar onderdeel worden van beleggingsbeheer. Echter, veel machine learning-toepassingen vereisen programmeerkennis die vreemd is voor traditionele managers die meer vertrouwd zijn met hun eigen fundamentele analyse, die ze zelf kunnen doen en waarvan ze per definitie een dieper begrip hebben.

Gegeven de bovenstaande obstakels, hoe kunnen fundamentele managers met succes aanpassen?

Combineren voor een beter proces: Machine learning overlays

Het toevoegen van een machine learning overlay aan een portefeuille is slechts één voorbeeld van een huwelijk tussen de expertise van de fundamentele beleggingsmanager en de technologische voordelen die AI te bieden heeft.

Machine overlays lossen de obstakels op voor fundamentele beleggers die de technologie willen incorporeren. Ze zijn eenvoudig te gebruiken en kunnen bovenop de bestaande portefeuilles van traditionele beleggers worden geïmplementeerd zonder dat programmeerkennis nodig is. Ze bieden volledige verklaring van de redenering van de machine, waarin wordt getoond welke variabelen de machine learning als belangrijk beschouwde in zijn besluitvorming. Dit helpt fundamentele managers om zich meer comfortabel te voelen bij het implementeren van de intelligentie in hun proces.

Als voorbeeld kan een Boosted Insights machine learning overlay de bestaande portefeuille van een beleggingsmanager nemen en de gewichten van de aandelenposities licht aanpassen. Het voegt geen nieuwe posities toe – het past alleen de gewichten (lang of kort) van aandelen in de portefeuille van de manager aan. Op basis van zijn bevindingen kunnen aandelen die hoog scoren hun gewichten verhogen en aandelen die laag scoren hun gewichten verlagen.

Uiteindelijk laten machine learning overlays fundamentele beleggingsmanagers toe om hun aandelenselectievaardigheden te combineren met cutting-edge, finance-specifieke AI/ML voor betere resultaten.

Een beleggingsmanager kan bijvoorbeeld Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix en Google (FAANG) aandelen leuk vinden en vinden dat ze goed presteren in hun portefeuille, maar alle vijf hebben gelijke gewichten. Het toevoegen van de Boosted Insights machine learning overlay laat de machine toe om de gewichten licht aan te passen – bijvoorbeeld, Facebook krijgt een gewicht van 18,5% en Apple krijgt een gewicht van 21,5%. Die kleine verschillen, terwijl de portefeuille van de beleggingsmanager exact hetzelfde blijft, kunnen leiden tot betere resultaten in termen van rendement, alpha en volatiliteit.

We hebben gevonden dat dit soort modellen in staat zijn om portefeuilles te verbeteren die al een hoge alpha hadden, door alleen de gewichten van de aandelen aan te passen en niet de samenstelling. De beta bleef consistent, aangezien de basisallocaties werden aangepast door de modeloverlays.

Machine learning voor beter beleggen

Machine learning heeft en zal industrieën blijven verstoren. Beleggingsmanagers kunnen hun portefeuilledoelstellingen verbeteren door machine learning in hun proces te implementeren, maar op een manier die complementair en organisch is aan hun workflow. Een goede manier om hun tenen in het water van machine learning-technieken te dippen is door een machine learning overlay te implementeren.