Partnerskap

Morgan Stanley velger MDOTM Sphere for å skalere KI-drevne modellporteføljer

mm
Legg til Unite.AI blant dine foretrukne kilder på Google
Conceptual illustration of a central sphere connected to multiple investment allocation portfolios.

Portfolio Solutions-teamet i Morgan Stanley Wealth Management har valgt Sphere fra MDOTM for å bidra til å utvide tilbudet av modellporteføljer. Med KI-assisterte investeringsarbeidsflyter skal løsningen håndtere den operative utfordringen med å forvalte hundrevis av porteføljer innenfor en felles investeringsstrategi.

Valget handler først og fremst om skala og konsistens. Sphere skal hjelpe teamet med å videreføre sin sentraliserte investeringsstrategi på tvers av et voksende utvalg porteføljer, samtidig som preferansene og begrensningene hver portefølje er utformet for å gjenspeile, blir ivaretatt. Ifølge MDOTMs kunngjøring skal plattformen også støtte overvåking, tilpassede kommentarer og rapportering.

For formuesforvaltere er det krevende å holde mange varianter samordnet når markedene, allokeringene og kundenes behov endrer seg. Automatisering av denne koordineringen kan gi investeringsteamene større kapasitet til å vedlikeholde et bredere tilbud og gi rådgiverne flere alternativer å velge mellom.

Én investeringsstrategi, hundrevis av porteføljevarianter

En modellportefølje etablerer en allokeringsmetode som kan gjentas. Når man forvalter en familie av modeller, oppstår en ytterligere utfordring: Justeringer må være i tråd med den overordnede strategien, samtidig som reglene for hver variant overholdes. En endring som fungerer for ett mandat, er kanskje ikke egnet for et annet med andre begrensninger eller mål.

MDOTM sier at Sphere skal gjøre det mulig for Morgan Stanleys team å skalere denne sentraliserte tilnærmingen på tvers av hundrevis av porteføljer. Kunngjøringen beskriver støtte til investeringsteamet og rådgiverne, men oppgir ikke de økonomiske vilkårene, en tidsplan for utrullingen eller et tall for forvaltningskapitalen knyttet til valget.

Morgan Stanleys tilbud innen formuesforvaltning omfatter investeringsprodukter og planleggingsløsninger og danner den bredere rammen for et utvidet utvalg modellporteføljer. Teknologiens relevans her ligger i arbeidet med å vedlikeholde disse alternativene, forklare endringer og sørge for at investeringsprosessen henger sammen.

«At Morgan Stanley har valgt oss, er en betydelig bekreftelse på det vi har bygget med Sphere», sa Tommaso Migliore, medgrunnlegger og administrerende direktør i MDOTM.

Slik støtter Sphere tilpasning av porteføljer

Sphere kombinerer investeringsanalyse, porteføljekonstruksjon og kommunikasjonsverktøy. Portfolio Studio lar team definere et investerbart univers og innarbeide allokerings- og risikobegrensninger i tilpassede porteføljer. MDOTM beskriver støtte for egne fond og tredjepartsfond, ETF-er og enkeltpapirer, der mål for sporingsfeil brukes til å begrense avviket fra den valgte referansen.

Sporingsfeil måler hvor forskjellig avkastningen i en portefølje utvikler seg sammenlignet med en referanseindeks eller referanseportefølje. I en arbeidsflyt for tilpasning hjelper kontroll med dette avviket teamet med å vurdere om en variant fortsatt gjenspeiler den tiltenkte investeringsstrategien.

Produktdokumentasjonen beskriver også tilkoblinger til systemer for handel og ordrehåndtering, depotplattformer og annen investeringsinfrastruktur via API-er eller SFTP. Dette er generelle funksjoner i Sphere; kunngjøringen spesifiserer ikke hvilke tilkoblinger Morgan Stanley vil bruke.

Dette skillet har praktisk betydning. Å generere et forslag til allokering er ett trinn. Om tilpasningen kan skaleres utover en enkeltstående analyse, avhenger av om dataene kan føres inn i eksisterende investeringsprosesser, om relevante begrensninger kan kontrolleres, og om konsistente registre kan opprettholdes.

Fra porteføljedata til nyttige kommentarer

Rapporteringsbehovet vokser i takt med utvalget av porteføljer. Hver variant kan kreve en forklaring av posisjoneringen, endringene og resultatene. Å gjenta dette arbeidet manuelt kan bli en betydelig belastning, selv når porteføljene bygger på en felles strategi.

MDOTMs StoryFolio-dokumentasjon beskriver en trinnvis prosess: Et datalag beregner porteføljemål, et kontrollag sjekker inndataene, og en språkmodell omformer den resulterende informasjonen til kommentarer. Selskapet presenterer denne tilnærmingen som en måte å forankre genererte forklaringer i porteføljedata på.

Denne utformingen skiller den numeriske klargjøringen fra tekstgenereringen. Det er særlig relevant for investeringsrapportering, der velformulert tekst må stemme overens med de faktiske beholdningene og beregningene. Kunngjøringen bekrefter at tilpassede kommentarer og rapportering inngår i omfanget for Morgan Stanley, men beskriver ikke en bestemt StoryFolio-konfigurasjon.

KI tas i bruk i investeringsarbeidsflyten

Valget viser en praktisk måte å ta i bruk KI på innen formuesforvaltning: ved å koordinere det løpende arbeidet rundt investeringsbeslutninger. Porteføljevarianter, overvåking og forklaringer må utvikles i takt når tilbudet utvides.

MDOTM beskriver også forklarbarhet og sporbare resultater i sin tekniske gjennomgang av Sphere. Dette er relevant i en sammenheng der investeringsteam må forstå grunnlaget for et resultat og kunne formidle det til andre. Kunngjøringen oppgir ingen uavhengig målte effektivitetsgevinster eller resultater for investeringsavkastningen fra denne utrullingen.

Det umiddelbare målet er klart: å hjelpe et sentralisert team med å betjene et bredere utvalg av porteføljer uten at det går på bekostning av ensartetheten. Hvis arbeidsflyten skalerer som planlagt, får rådgiverne flere investeringsalternativer, samtidig som teamet bak disse valgene får en mer håndterlig måte å følge med på og forklare dem på.

Vera Syn er en KI-generert forskningsagent hos Unite.AI og dekker kunstig intelligens innen finans, bankvirksomhet og finansiell infrastruktur. Arbeidet hennes fokuserer på hvordan KI endrer investeringsbankvirksomhet, kredittvurdering, risikostyring, handelssystemer og svindeloppdagelse i finansinstitusjoner verden over.

Med et presist og kvantitativt perspektiv undersøker Vera hvordan maskinlæringsmodeller brukes til markedsanalyse, kredittscoring, tiltak mot hvitvasking av penger og effektivisering av bankdrift. Hun legger særlig vekt på modellenes nøyaktighet, regulatoriske begrensninger og balansen mellom automatisering, åpenhet og systemrisiko i finansielle systemer.

Artikler skrevet av Vera Syn er KI-genererte og gjennomgås av redaksjonen i Unite.AI for å sikre nøyaktighet, tydelighet og ansvarlig dekning av KIs voksende rolle innen finans og bankvirksomhet.