Institusjonelle investorer søker avkastning. Maskinoverlager kan hjelpe med å finne dem

Av Nicholas Abe, medgrunnlegger og COO av Boosted.ai

Hvordan kan investorer få det beste av begge verdener fra kvantitative og fundamentale tilnærminger? Ved å implementere maskinlæringsoverlager, skriver Nick Abe, medgrunnlegger og administrerende direktør av Boosted.ai. Fundamentale ledere lar gevinstene ligge på bordet ved ikke å tilpasse seg til nye teknologier og institusjonelle investoreres etterspørsel. Abe demonstrerer at kombinering av deres finansielle domeneekspertise med cutting-edge kunstig intelligensverktøy kan øke alpha og Sharpe.

Begge sider av investeringsspekteret – kvantitativ og fundamentalt – har hatt problemer nylig. Selv de mest sofistikerte investorene hadde problemer i 2020 på grunn av den uforutsette volatiliteten som COVID-19-pandemien førte til markedet.

Den kvantitative tilnærmingen har vært i ferd med å bygge seg opp innen store formueforvaltere, da de skaper sine egne kvantteam. Imidlertid har løftet om å ha en fordelt fra moderne teknologi blitt møtt med vanskelighetene ved å sette suksessfulle maskinlæring i praksis, hovedsakelig på grunn av ekspertisen som kreves og den høye kostnaden ved å utvikle et fungerende program.

Suksessfulle kvantbutikker ansatter store mengder Ph.D.’er, dataforskere og ingeniører for å gjøre mening av store mengder komplekse data – og selv da kan de noen ganger feile. Å finne prediktiv kraft fra data er vanskelig, og svarte svaner som COVID-19 og andre regimeendringer kan gjøre at data blir foreldet uten menneskelig tilsyn.

Fundamentale svakheter

De fleste mennesker er klar over prinsippene for fundamentalanalyse – studere finansielle rapporter og inkorporere økonomiske faktorer for å gjøre beslutninger om hvor investorer bør investere for beste avkastning gitt mål og risikotoleranse. Investorer har praktisert og finjustert denne tidskrevende tilnærmingen til å levere avkastning i tiår. Noen er imidlertid i ferd med å ta i bruk moderne teknologi som maskinlæring og alternativ data for å skjerpe ytelsen, syntetisere informasjon på kortere tid og begrense eventuelle kognitive fordommer som kan forstyrre beslutningsprosessen.

Videre er fundamentalt aktivt investeringsforvaltning i ferd med å møte enorme utfordringer, fra gebyrkompresjon og teknologiske fremgang til skiftende investorsentiment mot lavkost-ETFer.

Hva har både kvantitative og fundamentale tilnærminger til felles? De studerer verden rundt seg for å gjøre informerte beslutninger om hvor best å deployere kapital for avkastning.

Men hva hvis det var en tredje mulighet?

Kallet for maskinlæring i fundamentalt forvaltning

Maskinlæring har revolusjonert industrier og dagligliv. Fra Google Translate til selvkjørende biler, teknologien transformerer verden på samme måte som den industrielle revolusjonen før den, og investeringsforvaltningsindustrien vil ikke være immun mot endringene. Ifølge en studie fra 2019 av CFA Institute som undersøkte porteføljeforvaltere, hadde bare 10% av porteføljeforvalterne brukt noen kunstig intelligens eller maskinlæring i sin investeringsprosess.

Ettersom teknologien fortsetter å utvikle seg, vil maskinlæringsteknikker bli en uomgåelig del av investeringsforvaltning. Imidlertid krever mange maskinlæringapplikasjoner programmeringskunnskap som er fremmed for tradisjonelle ledere som er mer trygge i sin egen fundamentalanalyse, som de kan gjøre på egen hånd og som de har en dypere forståelse av.

Gitt veiblokkene ovenfor, hvordan kan fundamentale ledere suksessfullt tilpasse seg?

Kombinere for en bedre prosess: Maskinlæringsoverlager

Å legge til et maskinlæringsoverlager til en portefølje er bare ett eksempel på en ekteskap mellom den fundamentale investeringslederens ekspertise og de teknologiske fordelene AI har å tilby.

Maskinoverlager løser for veiblokkene for fundamentale investorer som søker å inkorporere teknologien. De er enkle å bruke og kan deployeres på toppen av tradisjonelle investoreres eksisterende porteføljer uten noen programmeringskunnskap kreves. De gir full forklaring av maskinens begrunnelse, og viser hvilke variabler maskinlæringen så på som viktige i sin beslutningsprosess. Dette hjelper fundamentale ledere til å føle seg mer komfortable med å implementere intelligensen i sin prosess.

For eksempel tar et Boosted Insights-maskinlæringsoverlager en investeringsleders eksisterende portefølje og justerer aksjevektingene litt. Det legger ikke til noen nye posisjoner – i stedet justerer det vektingene (lang eller kort) av aksjer i leders eksisterende portefølje. Basert på sine funn, kan aksjer som rangerer høyt få økt vekting og aksjer som rangerer dårlig få redusert vekting.

Til slutt tillater maskinlæringsoverlager en fundamentalt investeringsleder å kombinere sin aksjevelger-ekspertise med cutting-edge, finansspesifik AI/ML for bedre resultater.

En investeringsleder kan like Facebook, Apple, Amazon, Netflix og Google (FAANG)-aksjer og finne at de tilbyr god ytelse i sin portefølje, men har alle fem med like vektinger. Tillegg av Boosted Insights-maskinlæringsoverlager tillater maskinen å justere vektingene litt – for eksempel, Facebook får redusert til 18,5% og Apple får økt til 21,5%. Disse små forskjellene, samtidig som investeringslederens portefølje forblir helt lik, kan resultere i bedre resultater i form av avkastning, alpha og volatilitet.

Vi har funnet at disse typene modeller kan forbedre porteføljer som allerede hadde høy alpha, bare ved å justere vektingene av aksjene og ikke måtte justere sammensetningen. Beta forblev konsistent ettersom basisallokasjonene ble justert av modell-overlager.

Maskinlæring for bedre investering

Maskinlæring har og vil fortsette å forstyrre industrier. Investorer kan forbedre sine porteføljemål ved å implementere maskinlæring i sin prosess, men på en måte som er komplementær og organisk til deres arbeidsflyt. En god måte å dippe tåene i vannet av maskinlæringsteknikker er å implementere et maskinlæringsoverlager.