Институциональные инвесторы ищут доходность. Машины могут помочь найти их

Николас Абэ, сооснователь и операционный директор Boosted.ai

Как инвесторам получить лучшее из обоих миров от количественных и фундаментальных подходов? Реализуя наложения машинного обучения, пишет Ник Абэ, сооснователь и операционный директор Boosted.ai. Фундаментальные менеджеры оставляют прибыль на столе, не адаптируясь к меняющимся технологиям и спросу институциональных инвесторов. Абэ демонстрирует, что сочетание их опыта в финансовой области с передовыми инструментами искусственного интеллекта может увеличить альфа и Шарпа.

Обе стороны инвестиционного спектра – количественная и фундаментальная – столкнулись с проблемами в последнее время. Даже самые сложные инвесторы испытывали трудности в 2020 году из-за непредвиденной волатильности, которую пандемия COVID-19 принесла на рынок.

Количественный подход медленно набирает обороты в крупных управляющих активами, создавая свои собственные количественные команды. Однако обещание иметь преимущество современных технологий столкнулось с трудностями внедрения успешного машинного обучения на практике, в основном из-за необходимого опыта и высокой стоимости разработки функционирующей программы.

Успешные количественные магазины привлекают целые армии докторов философии, специалистов по данным и инженеров, чтобы понять большие объемы сложных данных – и даже тогда иногда терпят неудачу. Найти предсказательную силу в данных сложно, и события типа “черного лебедя”, такие как COVID-19 и другие сдвиги режима, могут сделать эти данные устаревшими без человеческого надзора.

Фундаментальные провалы

Большинство людей знают принципы фундаментального анализа – изучение финансовых отчетов и учет экономических факторов для принятия решений о том, где инвесторам следует инвестировать для получения лучших доходов с учетом целей и аппетита к риску. Инвесторы практиковали и совершенствовали этот трудоемкий подход к получению доходов в течение десятилетий. Некоторые, однако, начинают согреваться к использованию современных технологий, таких как машинное обучение и альтернативные данные, для улучшения производительности, синтеза информации за более короткое время и сокращения любых когнитивных предубеждений, которые могут вмешиваться в процесс принятия решений.

Кроме того, фундаментальное активное инвестиционное управление сталкивается с огромными проблемами, от сжатия комиссий и технологических достижений до сдвига настроений инвесторов в сторону низкозатратных ETF.

Что общего у количественного и фундаментального подходов? Они изучают мир вокруг себя, чтобы принимать обоснованные решения о том, где лучше всего разместить капитал для получения доходов.

Но что, если бы был третий вариант?

Призыв к машинному обучению в фундаментальном управлении

Машинное обучение революционизировало отрасли и повседневную жизнь. От Google Translate до самоходных автомобилей технология преобразует мир, как и промышленная революция до нее, и отрасль управления инвестициями не будет застрахована от изменений. Согласно исследованию 2019 года Института CFA, которое опросило портфельных менеджеров, только 10% портфельных менеджеров использовали какой-либо искусственный интеллект или машинное обучение в своем инвестиционном процессе.

По мере прогресса технологий методы машинного обучения станут незаменимой частью управления инвестициями. Однако многие приложения машинного обучения требуют знаний программирования, чужих традиционным менеджерам, которые более уверены в своем собственном фундаментальном анализе, который они могут делать самостоятельно и по умолчанию имеют более глубокое понимание.

Учитывая вышеуказанные препятствия, как фундаментальные менеджеры могут успешно адаптироваться?

Сочетание для лучшего процесса: наложения машинного обучения

Добавление наложения машинного обучения к портфелю – это всего лишь один пример брака опыта фундаментального инвестиционного менеджера и технологических преимуществ, которые предлагает ИИ.

Машины решают проблемы фундаментальных инвесторов, стремящихся включить технологию. Они просты в использовании и могут быть развернуты поверх существующих портфелей традиционных инвесторов без необходимости программных знаний. Они обеспечивают полную объяснимость рассуждений машины, демонстрируя, какие переменные машинное обучение считало важными в процессе принятия решений. Это помогает фундаментальным менеджерам чувствовать себя более комфортно, реализуя интеллект в своем процессе.

Например, наложение машинного обучения Boosted Insights принимает существующий портфель инвестиционного менеджера и слегка корректирует веса акций. Оно не добавляет новых позиций – скорее, оно корректирует веса (долгие или короткие) акций в существующем портфеле менеджера. На основе своих выводов акции, которые занимают высокие места, могут увеличить свои веса, и акции, которые занимают низкие места, могут уменьшить свои веса.

В конечном итоге наложения машинного обучения позволяют фундаментальному инвестиционному менеджеру сочетать свой талант к выбору акций с передовым, специфичным для финансов ИИ/МО для лучших результатов.

Инвестиционный менеджер может любить акции Facebook, Apple, Amazon, Netflix и Google (FAANG) и обнаружить, что они предлагают хорошую производительность в своем портфеле, но имеют все пять с равными весами. Добавление наложения машинного обучения Boosted Insights позволяет машине слегка скорректировать веса – скажем, Facebook уменьшается до 18,5%, а Apple увеличивается до 21,5%. Эти незначительные различия, сохраняя портфель инвестиционного менеджера точно таким же, могут привести к лучшим результатам в плане дохода, альфа и волатильности.

Мы обнаружили, что эти типы моделей могут улучшить портфели, которые уже имели высокую альфа, просто корректируя веса акций и не меняя их состав. Бета оставалась последовательной, поскольку базовые аллокации корректировались моделью наложения.

Машинное обучение для лучших инвестиций

Машинное обучение нарушит отрасли. Инвестиционные менеджеры могут улучшить свои цели портфеля, реализуя машинное обучение в свой процесс, но так, чтобы оно было дополнением и органично для их рабочего процесса. Хороший способ начать работать с машинным обучением – это реализовать наложение машинного обучения.