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

Av Nicholas Abe, medgründer og COO i Boosted.ai

Hvordan kan investorer få det beste av begge verdener fra kvantitative og fundamentale tilnærminger? Ved å implementere maskinlærings-overlager, skriver Nick Abe, medgründer og Chief Operating Officer of Boosted.ai. Fundamentale ledere lar gevinstene ligge på bordet ved ikke å tilpasse seg til nye teknologier og institusjonelle investeringskrav. Abe demonstrerer at kombinering av deres finansielle domeneekspertise med moderne kunstig intelligensverktøy kan øke alpha og Sharpe.

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

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

Suksessfulle kvantitative butikker ansatter mange ph.d.-er, dataforskere og ingeniører for å gi mening til store mengder kompleks data – og likevel noen ganger feiler. 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 er klar over prinsippene for fundamentalanalyse – studere finansielle uttalelser og inkorporere økonomiske faktorer for å fatte beslutninger om hvor investorer bør investere for beste avkastning gitt mål og risikotoleranse. Investorer har praktisert og finpusset denne tidskrevende tilnærmingen til å levere avkastning i tiår. Noen varmer imidlertid opp til å dra nytte av moderne teknologi som maskinlæring og alternativ data for å skjerpe ytelsen, syntetisere informasjon på kortere tid og begrense eventuelle kognitive forvrengninger som kan forstyrre beslutningsprosessen.

I tillegg står fundamentalt aktivt investeringsforvaltning overfor enorme utfordringer, som spenner fra gebyrkomprimering og teknologiske fremgang til skiftende investeringsholdninger mot lavkostnads-ETFer.

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

Men hva hvis det var en tredje mulighet?

Kallet til maskinlæring i fundamentalt forvaltning

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

Ettersom teknologien fortsetter å utvikle seg, vil maskinlæringsmetoder bli et ufravikelig aspekt av investeringsforvaltning. Imidlertid krever mange maskinlæringsapplikasjoner programmeringskunnskaper som er fremmede 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 veiblokkeringene ovenfor, hvordan kan fundamentale ledere suksessfullt tilpasse seg?

Kombinere for en bedre prosess: Maskinlærings-overlager

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

Maskin-overlager løser for veiblokkeringene for fundamentale investorer som søker å inkorporere teknologien. De er enkle å bruke og kan deployes på toppen av tradisjonelle investoreres eksisterende porteføljer uten at noen programmeringskunnskaper er nødvendig. De gir full forklaring av maskinens begrunnelse, som viser hvilke variabler maskinlæringen anså som viktige i sin beslutningsprosess. Dette hjelper fundamentale ledere å føle seg mer komfortable med å implementere intelligensen i sin prosess.

For eksempel tar et Boosted Insights-maskinlærings-overlag en investeringsleders eksisterende portefølje og justerer aksjevektningene litt. Det legger ikke til noen nye posisjoner – snarere, justerer det vektningene (lang eller kort) av aksjer i investeringslederens eksisterende portefølje. Basert på sine funn, kan aksjer som rangerer høyt få vektningene økt og aksjer som rangerer dårlig få vektningene redusert.

Til slutt tillater maskinlærings-overlager en fundamentalt investeringsleder å kombinere sin aksjevelger-ekspertise med moderne, finanse-spesifikke AI/ML for bedre resultater.

En investeringsleder kan like Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix og Google (FAANG)-aksjer og finne at de tilbyr god ytelse i sin portefølje, men har alle fem med like vekter. Tilføyelsen av Boosted Insights-maskinlærings-overlag tillater maskinen å justere vektningene litt – for eksempel, får Facebook vektningen redusert til 18,5% og Apple får vektningen 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 vektningene av aksjene og ikke måtte justere sammensetningen. Beta forblev konsistent ettersom basisallokasjonene ble justert av modell-overlagene.

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 dykke inn i maskinlærings-teknikkene er å implementere et maskinlærings-overlag.