Instytucjonalni inwestorzy szukają zwrotu. Nakładki maszynowe mogą im pomóc

Przez Nicholas Abe, współzałożyciela i dyrektora operacyjnego Boosted.ai

Jak inwestorzy mogą uzyskać najlepsze wyniki z podejścia ilościowego i fundamentalnego? Poprzez wdrożenie nakładek maszynowych, pisze Nick Abe, współzałożyciel i dyrektor operacyjny Boosted.ai. Menadżerowie fundamentalni pozostawiają zyski na stole, nie dostosowując się do zmieniających się technologii i popytu instytucjonalnych inwestorów. Abe dowodzi, że łącząc swoją ekspertyzę z dziedziny finansów z najnowocześniejszymi narzędziami sztucznej inteligencji, można zwiększyć alfa i Sharpe.

Obie strony spektrum inwestycyjnego – ilościowe i fundamentalne – miały problemy ostatnio. Nawet najbardziej zaawansowani inwestorzy mieli trudności w 2020 roku z powodu nieprzewidzianej zmienności, jaką pandemia COVID-19 przyniosła na rynek.

Podejście ilościowe stopniowo rozwija się w ramach dużych zarządców aktywami, tworząc własne zespoły ilościowe. Jednak obietnica posiadania przewagi dzięki nowoczesnej technologii spotkała się z trudnościami w praktycznym zastosowaniu maszynowego uczenia, głównie z powodu wymaganej ekspertyzy i wysokich kosztów rozwoju funkcjonalnego programu.

Udane sklepy ilościowe zatrudniają setki doktorów, naukowców i inżynierów, aby zrozumieć ogromne ilości złożonych danych – i nawet wtedy czasem zawodzą. Znalezienie przewidywalnej mocy z danych jest trudne, a czarne łabędzie, takie jak COVID-19 i inne zmiany reżimu, mogą uczynić te dane przestarzałymi bez nadzoru ludzkiego.

Podstawowe niepowodzenia

Większość ludzi jest świadoma zasad analizy fundamentalnej – studiowania sprawozdań finansowych i uwzględniania czynników ekonomicznych w podejmowaniu decyzji o tym, gdzie inwestorzy powinni inwestować, aby uzyskać najlepsze zwroty przy danych celach i apetycie na ryzyko. Inwestorzy praktykowali i doskonalili to czasochłonne podejście do generowania zwrotów przez dziesięciolecia. Niektórzy jednak zaczynają korzystać z nowoczesnych technologii, takich jak maszynowe uczenie i alternatywne dane, aby poprawić wyniki, zsyntetyzować informacje w krótszym czasie i ograniczyć ewentualne cognitive biases, które mogą zakłócać proces decyzyjny.

Dalej, aktywny zarząd inwestycyjny oparty na analizie fundamentalnej stoi przed ogromnymi wyzwaniami, od kompresji opłat po postęp technologiczny i zmieniające się nastawienie inwestorów w kierunku niskokosztowych ETF-ów.

Co łączy podejście ilościowe i fundamentalne? Oba badają świat wokół siebie, aby podejmować świadome decyzje o tym, gdzie najlepiej wykorzystać kapitał, aby uzyskać zwrot.

Ale co, jeśli byłaby trzecia opcja?

Wezwanie do maszynowego uczenia w zarządzaniu fundamentalnym

Maszynowe uczenie rewolucjonizuje branże i codzienne życie. Od Google Translate po samochody bez kierowcy, technologia przekształca świat podobnie jak rewolucja przemysłowa wcześniej, a branża zarządzania inwestycjami nie będzie odporna na te zmiany. Według badania z 2019 roku przeprowadzonego przez CFA Institute, które przesłuchało menadżerów portfela, tylko 10% menadżerów portfela wykorzystało jakąkolwiek sztuczną inteligencję lub maszynowe uczenie w swoim procesie inwestycyjnym.

W miarę postępu technologii techniki maszynowego uczenia staną się niezbędnym elementem zarządzania inwestycjami. Jednak wiele aplikacji maszynowego uczenia wymaga znajomości programowania, której tradycyjni menadżerowie nie posiadają, a którą mogliby wykonywać samodzielnie, mając głębsze zrozumienie analizy fundamentalnej.

Biorąc pod uwagę powyższe przeszkody, jak menadżerowie fundamentalni mogą się powieść?

Kombinowanie dla lepszego procesu: Nakładki maszynowe

Dodanie nakładki maszynowej do portfela to tylko jeden przykład połączenia ekspertyzy menadżera inwestycyjnego z technologicznymi zaletami, jakie oferuje sztuczna inteligencja.

Nakładki maszynowe rozwiązują przeszkody, przed którymi stoją inwestorzy fundamentalni, próbujący wykorzystać technologię. Są łatwe w użyciu i mogą być wdrożone na górze portfeli tradycyjnych inwestorów bez wymaganej wiedzy programistycznej. Zapewniają pełną wyjaśnialność powodów, dla których maszyna podjęła decyzję, pokazując, które zmienne maszynowe uczenie uznało za istotne w swoim procesie decyzyjnym. To pomaga menadżerom fundamentalnym czuć się bardziej komfortowo, wdrażając inteligencję w swoim procesie.

Na przykład nakładka maszynowa Boosted Insights bierze portfel menadżera inwestycyjnego i dostosowuje nieznacznie wagowanie akcji. Nie dodaje nowych pozycji – tylko dostosowuje wagowanie (długie lub krótkie) akcji w portfelu menadżera. Na podstawie swoich ustaleń akcje, które są wysoko oceniane, mogą mieć zwiększone wagowanie, a akcje, które są słabo oceniane, mogą mieć zmniejszone wagowanie.

Ostatecznie nakładki maszynowe pozwalają menadżerowi inwestycyjnemu połączyć swoją zdolność do wyboru akcji z najnowocześniejszymi, specyficznymi dla finansów narzędziami AI/ML, aby osiągnąć lepsze wyniki.

Menadżer inwestycyjny może lubić akcje Facebooka, Apple (AAPL ), Amazon (AMZN ), Netflix i Google (FAANG) i stwierdzić, że oferują one dobre wyniki w swoim portfelu, ale wszystkie pięć mają równe wagowanie. Dodanie nakładki maszynowej Boosted Insights pozwala maszynie nieznacznie dostosować wagowanie – na przykład Facebook jest zmniejszony do 18,5%, a Apple jest zwiększony do 21,5%. Te niewielkie różnice, przy zachowaniu portfela menadżera inwestycyjnego, mogą skutkować lepszymi wynikami pod względem zwrotu, alfa i zmienności.

Stwierdziliśmy, że tego typu modele są w stanie poprawić portfele, które miały już wysoką alfa, dostosowując tylko wagowanie akcji i nie zmieniając ich składu. Beta pozostała stabilna, ponieważ podstawowe alokacje były dostosowywane przez nakładki modelu.

Maszynowe uczenie dla lepszych inwestycji

Maszynowe uczenie zmieniło i będzie nadal zmieniać branże. Menadżerowie inwestycyjni mogą poprawić swoje cele portfela, wdrażając maszynowe uczenie w swoim procesie, ale w sposób, który jest komplementarny i organiczny dla ich przepływu pracy. Dobrym sposobem, aby zacząć korzystać z technik maszynowego uczenia, jest wdrożenie nakładki maszynowej.