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

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

Hoe kunnen beleggers het beste van beide werelden krijgen van kwantitatieve en fundamentele benaderingen? Door het implementeren van machine learning overlays, 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 laat zien dat het combineren van hun financiële domeinexpertise met cutting-edge artificial intelligence tools de alpha en Sharpe kan verhogen.

Beide kanten van het beleggingsspectrum – 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 met zich meebracht naar de markt.

De kwantitatieve benadering is langzaam aan het opbouwen binnen grote asset managers, aangezien ze hun eigen kwant-teams creëren. Echter, de belofte van het hebben van een voorsprong door moderne technologie is geconfronteerd met de moeilijkheden van het in praktijk brengen van succesvolle machine learning, voornamelijk vanwege de expertise die vereist is en de hoge kosten van het ontwikkelen van een functionerend programma.

Succesvolle kwantitatieve winkels hebben grote aantallen Ph.D.’s, data scientists en engineers in dienst om zin te geven aan grote hoeveelheden complexe data – en zelfs dan soms falen. Het vinden van voorspellende kracht uit data is moeilijk, en zeldzame gebeurtenissen zoals COVID-19 en andere regime-shifts kunnen deze data 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 beleggen voor de beste rendementen gegeven doelen en risicobereidheid. Beleggers hebben deze tijdrovende benadering van het leveren van rendementen voor decennia lang beoefend en verfijnd. Sommigen zijn echter aan het wennen aan het gebruikmaken van moderne technologie zoals machine learning en alternatieve data om hun prestaties te scherpen, informatie te synthetiseren in minder tijd en cognitieve vooroordelen die de besluitvorming kunnen beïnvloeden, te beperken.

Verder staat fundamentele actieve beleggingsbeheer voor enorme uitdagingen, variërend van fee-compressie en technologische vooruitgang tot veranderende beleggerssentimenten richting low-cost 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 de veranderingen. Volgens een studie van de CFA Institute uit 2019, die portfolio managers ondervroeg, had slechts 10% van de portfolio managers enige vorm van kunstmatige intelligentie of machine learning gebruikt in hun beleggingsproces.

Aangezien de technologie blijft evolueren, 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 die ze per definitie beter begrijpen.

Gezien de bovenstaande obstakels, hoe kunnen fundamentele managers succesvol aanpassen?

Combineren voor een beter proces: machine learning overlays

Het toevoegen van een machine learning overlay aan een portefeuille is slechts een 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 enige programmeerkennis vereist is. Ze bieden volledige verklaring van de redenering van de machine, waarbij wordt getoond welke variabelen de machine learning als belangrijk beschouwde bij het nemen van beslissingen. Dit helpt fundamentele managers om zich meer op hun gemak te voelen bij het implementeren van de intelligentie in hun proces.

Bijvoorbeeld, een Boosted Insights machine learning overlay neemt de bestaande portefeuille van een beleggingsmanager en past de gewichtingen van de aandelenposities licht aan. Het voegt geen nieuwe posities toe – in plaats daarvan past het de gewichtingen (lang of kort) van aandelen in de bestaande portefeuille van de manager aan. Op basis van zijn bevindingen kunnen aandelen die hoog scoren hun gewichtingen verhogen en aandelen die laag scoren hun gewichtingen verlagen.

Uiteindelijk laten machine learning overlays een fundamentele beleggingsmanager toe om zijn aandelen-selectievaardigheden te combineren met cutting-edge, finance-specifieke AI/ML voor betere resultaten.

Een beleggingsmanager kan Facebook, Apple, Amazon, Netflix en Google (FAANG) aandelen leuk vinden en vinden dat ze een goede prestatie leveren in zijn portefeuille, maar alle vijf hebben gelijke gewichtingen. De toevoeging van de Boosted Insights machine learning overlay laat de machine toe om de gewichtingen licht aan te passen – bijvoorbeeld, Facebook wordt verlaagd tot 18,5% en Apple wordt verhoogd tot 21,5%. Deze kleine verschillen, waarbij 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 die al een hoge alpha hadden te verbeteren, alleen door de gewichtingen van de aandelen aan te passen en niet door de samenstelling aan te passen. Beta bleef consistent, aangezien de basisallocaties werden aangepast door de model overlays.

Machine learning voor beter beleggen

Machine learning heeft en zal industrieën blijven verstoren. Beleggingsmanagers kunnen hun portefeuille-doelen 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 te beginnen met machine learning-technieken is om een machine learning overlay te implementeren.