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 cele mai bune rezultate din abordările cantitative și fundamentale? Prin implementarea suprapunerilor de învățare automată, scrie Nick Abe, co-fondator și director operațional al Boosted.ai. Managerii fundamentali 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 neașteptate pe care pandemia COVID-19 a adus-o pe piață.

Abordarea cantitativă a fost construită treptat 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 o învățare automată de succes, în mare parte din cauza expertizei necesare și a costului ridicat de dezvoltare a unui program funcțional.

Magazinele 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, eșuează. Găsirea puterii predictive din date este grea, iar evenimentele “black swan” 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 obiective 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, se încălzesc la ideea de a profita de tehnologia modernă, cum ar fi învățarea automată și datele alternative, pentru a 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, gestionarea activă a investițiilor fundamentale se confruntă cu provocări imense, variind de la compresia taxelor și progresele tehnologice până la schimbarea sentimentului investitorilor către fondurile 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 automată în gestionarea fundamentală

Învățarea automată 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, iar industria de gestionare a investițiilor nu va fi imună la schimbări. Conform unui studiu din 2019 al Institutului CFA, care a chestionat manageri de portofoliu, doar 10% dintre managerii de portofoliu au folosit vreodată inteligență artificială sau învățare automată în procesul lor de investiții.

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

Dată fiind aceste obstacole, cum pot managerii fundamentali să se adapteze cu succes?

Combinarea pentru un proces mai bun: suprapunerea mașinilor

Adăugarea unei suprapuneri de învățare automată la un portofoliu este doar un exemplu de căsătorie între expertiza managerului de investiții fundamentale și avantajele tehnologice pe care le oferă inteligența artificială.

Suprapunerea mașinilor rezolvă obstacolele investitorilor fundamentali care doresc să incorporeze tehnologia. Ele sunt ușor de utilizat și pot fi implementate pe portofoliile tradiționale existente fără a necesita cunoștințe de programare. Ele oferă explicații complete ale raționamentului mașinii, arătând care variabile a considerat mașina importantă în procesul 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 învățare automată Boosted Insights ia portofoliul existent al managerului de investiții și ajustează ușor ponderile pozițiilor acțiunilor. Nu adaugă nicio poziție nouă – mai degrabă, ajustează ponderile (lung sau scurt) ale acțiunilor din portofoliul managerului existent. Pe baza constatărilor sale, acțiunile care se clasifică bine pot avea ponderile lor crescute, iar acțiunile care se clasifică slab pot avea ponderile lor reduse.

În final, suprapunerea mașinilor permite unui manager de investiții fundamentale să combine abilitățile sale de selectare a acțiunilor cu inteligența artificială de ultimă generație, specializată în finanțe, pentru rezultate mai bune.

Un manager de investiții poate aprecia acțiunile Facebook, Apple, Amazon, Netflix și Google (FAANG) și găsi că acestea oferă o performanță bună în portofoliul său, dar are toate cinci la ponderi egale. Adăugarea suprapuneri de învățare automată 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 același, pot duce la rezultate mai bune în ceea ce privește randamentul, alfa și volatilitatea.

Am constatat că aceste tipuri de modele pot îmbunătăți portofoliile care aveau deja o alfa ridicată, ajustând doar ponderile acțiunilor și fără a schimba compoziția. Beta a rămas consistentă, deoarece alocările de bază au fost ajustate de suprapunerea modelului.

Învățarea automată pentru o investiție mai bună

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