Investitorii instituționali caută randamente. Suprapunerea mașinilor poate ajuta la găsirea lor

De Nicholas Abe, co-fondator și director operațional al Boosted.ai

Cum pot investitorii să obțină cel mai bun rezultat din abordările cantitative și fundamentale? Prin implementarea suprapunerilor de mașini, scrie Nick Abe, co-fondator și director operațional al Boosted.ai. Managerii fondamentali lasă câștiguri pe masă prin neadaptarea la tehnologiile și cererea investitorilor instituționali în schimbare. Abe demonstrează că combinarea expertizei lor financiare cu instrumentele de inteligență artificială de ultimă generație poate crește alfa și Sharpe.

Ambele părți ale spectrului de investiții – cantitative și fundamentale – au avut probleme recent. Chiar și cei mai sofisticați investitori au avut dificultăți în 2020 din cauza volatilității imprevizibile aduse de pandemia COVID-19 pe piață.

Abordarea cantitativă a fost construită lent în cadrul marilor administratori de active, pe măsură ce aceștia și-au creat propriile echipe de cantitative. Cu toate acestea, promisiunea de a avea un avantaj din tehnologia modernă a fost întâmpinată cu dificultățile de a pune în practică învățarea mașinilor de succes, în mare parte din cauza expertizei necesare și a costului ridicat de dezvoltare a unui program funcțional.

Echipele cantitative de succes angajează sute de doctori, oameni de știință și ingineri pentru a da sens unor cantități mari de date complexe – și chiar și atunci, uneori, nu reușesc. Găsirea puterii predictive din date este dificilă, iar evenimentele de tip “swan negru” precum COVID-19 și alte schimbări de regim pot face ca datele să devină învechite fără supravegherea umană.

Eșecurile fundamentale

Majoritatea oamenilor sunt conștienți de principiile analizei fundamentale – studiul declarațiilor financiare și integrarea factorilor economici pentru a lua decizii cu privire la locurile în care investitorii ar trebui să investească pentru a obține cele mai bune randamente, ținând cont de obiectivele și de apetitul pentru risc. Investitorii au practicat și au perfecționat această abordare consumatoare de timp pentru a oferi randamente timp de decenii. Unii, totuși, sunt dispuși să profite de beneficiile tehnologiei moderne, cum ar fi învățarea mașinilor și datele alternative, pentru a-și îmbunătăți performanța, a sintetiza informațiile în mai puțin timp și a reduce orice prejudecăți cognitive care ar putea interveni în procesul de luare a deciziilor.

Mai mult, managementul activ de investiții fundamentale se confruntă cu provocări imense, variind de la compresia taxelor și progresul tehnologic la schimbarea sentimentului investitorilor către fondurile tranzacționate la bursă (ETF) cu costuri reduse.

Ce au în comun ambele abordări cantitative și fundamentale? Ele studiază lumea din jurul lor pentru a lua decizii informate cu privire la locurile în care să aloce capitalul pentru a obține randamente.

Dar ce se întâmplă dacă ar exista o a treia opțiune?

Apelează la învățarea mașinilor în managementul fundamental

Învățarea mașinilor a revoluționat industrii și viața de zi cu zi. De la Google Translate la mașinile autonome, tehnologia transformă lumea, la fel ca revoluția industrială dinainte, și industria de management al investițiilor nu va fi imună la aceste schimbări. Conform unui studiu din 2019 realizat de CFA Institute, care a chestionat manageri de portofolii, doar 10% dintre managerii de portofolii au folosit vreodată inteligență artificială sau învățare mașinilor în procesul lor de investiții.

Pe măsură ce tehnologia continuă să progreseze, tehnicile de învățare mașinilor vor deveni un aspect esențial al managementului investițiilor. Cu toate acestea, multe aplicații de învățare mașinilor necesită cunoștințe de programare străine managerilor tradiționali, care sunt mai încrezători în analiza fundamentală, pe care o pot face singuri și au o înțelegere mai profundă a acesteia.

Având în vedere aceste obstacole, cum pot managerii fundamentali să se adapteze cu succes?

Combinarea pentru un proces mai bun: suprapunerea mașinilor

Adăugarea unei suprapuneri de mașini la un portofoliu este doar un exemplu de combinare a expertizei managerului de investiții fundamentale cu avantajele tehnologice oferite de inteligența artificială.

Suprapunerile de mașini rezolvă obstacolele managerilor fundamentali care doresc să încorporeze tehnologia. Ele sunt ușor de utilizat și pot fi implementate pe portofoliile tradiționale ale investitorilor fără a necesita cunoștințe de programare. Ele oferă o explicație completă a raționamentului mașinii, arătând care variabile a considerat mașina importantă în procesul său de luare a deciziilor. Acest lucru ajută managerii fundamentali să se simtă mai confortabil atunci când implementează inteligența în procesul lor.

De exemplu, o suprapunere de mașini Boosted Insights ia portofoliul existent al unui manager de investiții și ajustează ușor ponderile acțiunilor. Nu adaugă noi poziții – mai degrabă, ajustează ponderile (lung sau scurt) ale acțiunilor din portofoliul managerului. Pe baza constatărilor sale, acțiunile care se clasează bine pot avea ponderile lor crescute, iar acțiunile care se clasează slab pot avea ponderile lor reduse.

În cele din urmă, suprapunerile de mașini permit unui manager de investiții fundamental să combine abilitățile sale de selectare a acțiunilor cu inteligența artificială de ultimă generație, specializată în finanțe, pentru a obține rezultate mai bune.

Un manager de investiții poate să îi placă acțiunile Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix și Google (FAANG) și să constate că acestea oferă o bună performanță în portofoliul său, dar să le aibă pe toate cu ponderi egale. Adăugarea suprapunerii de mașini Boosted Insights permite mașinii să ajusteze ușor ponderile – de exemplu, Facebook este redus la 18,5%, iar Apple este crescut la 21,5%. Aceste diferențe minore, menținând portofoliul managerului de investiții exact la fel, pot duce la rezultate mai bune în ceea ce privește randamentul, alfa și volatilitatea.

Am constatat că astfel de modele pot îmbunătăți portofolii care aveau deja o alfa ridicată, ajustând doar ponderile acțiunilor și fără a fi nevoie să ajusteze compoziția. Beta a rămas consistentă, deoarece alocările de bază au fost ajustate de suprapunerile de modele.

Învățarea mașinilor pentru o investiție mai bună

Învățarea mașinilor a și va continua să perturbe industrii. Managerii de investiții pot îmbunătăți obiectivele portofoliului lor prin implementarea învățării mașinilor în procesul lor, dar într-un mod care să fie complementar și organic fluxului lor de lucru. O modalitate bună de a-și face intrarea în apele tehnicii de învățare mașinilor este să implementeze o suprapunere de mașini.