Instytucjonalni inwestorzy szukają zwrotu. Nakładki maszynowe mogą pomóc w ich znalezieniu

Przez Nicholas Abe, współzałożyciela i dyrektora operacyjnego Boosted.ai

Jak inwestorzy mogą uzyskać najlepsze z obu światów z podejściami ilościowymi i fundamentalnymi? 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 łączenie ich ekspertyzy z dziedziny finansowej z najnowocześniejszymi narzędziami sztucznej inteligencji może 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 wdrożenia udanego uczenia maszynowego w praktyce, głównie z powodu wymaganej ekspertyzy i wysokich kosztów opracowania funkcjonalnego programu.

Udane sklepy ilościowe zatrudniają rzesze doktorów, naukowców danych i inżynierów, aby zrozumieć duże ilości złożonych danych – i nawet wtedy czasem nie udaje się im odnieść sukcesu. Znalezienie mocy przewidywania z danych jest trudne, a czarne łabędzie, takie jak COVID-19 i inne zmiany reżimu, mogą uczynić te dane przestarzałymi bez nadzoru ludzkiego.

Awaria fundamentalna

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

Ponadto, aktywny zarządzania inwestycyjny oparty na podejściu fundamentalnym stoi przed ogromnymi wyzwaniami, od kompresji opłat i postępu technologicznego po zmiany nastrojów inwestorów w kierunku tanich ETF-ów.

Co mają wspólnego podejścia ilościowe i fundamentalne? Studiują świat wokół siebie, aby podejmować świadome decyzje o tym, gdzie najlepiej wykorzystać kapitał, aby osiągnąć zwroty.

Ale co, jeśli byłaby trzecia opcja?

Wezwanie do uczenia maszynowego w zarządzaniu fundamentalnym

Uczenie maszynowe rewolucjonizowało branże i życie codzienne. Od Google Translate po samochody autonomiczne, technologia zmienia świat podobnie jak rewolucja przemysłowa przed nią, a branża zarządzania inwestycjami nie będzie wyjątkiem od tych zmian. Zgodnie z badaniem z 2019 roku przeprowadzonym przez CFA Institute, które przesłuchało menadżerów portfela, tylko 10% menadżerów portfela wykorzystało jakąkolwiek sztuczną inteligencję lub uczenie maszynowe w swoim procesie inwestycyjnym.

W miarę postępu technologicznego techniki uczenia maszynowego staną się niezbywalnym elementem zarządzania inwestycjami. Jednak wiele aplikacji uczenia maszynowego wymaga wiedzy programistycznej obcej tradycyjnym menadżerom, którzy są bardziej pewni swojej własnej analizy fundamentalnej, którą mogą wykonać samodzielnie i mają głębsze zrozumienie.

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

Połączenie dla lepszego procesu: nakładki uczenia maszynowego

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

Nakładki maszynowe rozwiązują problemy menadżerów fundamentalnych, którzy chcą wykorzystać technologię. Są łatwe w użyciu i mogą być wdrożone na górze istniejących portfeli tradycyjnych inwestorów bez wymaganej wiedzy programistycznej. Zapewniają pełną wyjaśnialność rozumowania maszyny, pokazując, które zmienne maszyna uczenia maszynowego uznała za ważne w swoim procesie decyzyjnym. To pomaga menadżerom fundamentalnym czuć się bardziej komfortowo przy wdrażaniu inteligencji w swoim procesie.

Na przykład nakładka uczenia maszynowego Boosted Insights bierze istniejący portfel menadżera inwestycyjnego i nieznacznie dostosowuje wagę pozycji akcji. Nie dodaje nowych pozycji – tylko dostosowuje wagę (długą lub krótką) akcji w istniejącym portfelu menadżera. Na podstawie swoich ustaleń akcje, które są wysoko oceniane, mogą mieć zwiększoną wagę, a akcje, które są słabo oceniane, mogą mieć zmniejszoną wagę.

W końcu nakładki uczenia maszynowego 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, Amazon, Netflix i Google (FAANG) i stwierdzić, że oferują one dobre wyniki w swoim portfelu, ale mają wszystkie pięć o równej wadze. Dodanie nakładki uczenia maszynowego Boosted Insights pozwala maszynie nieznacznie zmienić wagę – na przykład Facebook zostaje zmniejszony do 18,5%, a Apple zwiększony do 21,5%. Te niewielkie różnice, przy zachowaniu tego samego portfela inwestycyjnego, mogą przynieść lepsze wyniki pod względem zwrotu, alfa i zmienności.

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

Uczenie maszynowe dla lepszych inwestycji

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