Институциональные инвесторы ищут доходность. Машины могут помочь найти ее

Николас Эйб, сооснователь и операционный директор Boosted.ai

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

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

Количественный подход медленно развивается внутри крупных менеджеров активов, когда они создают свои собственные количественные команды. Однако обещание иметь преимущество от современных технологий столкнулось с трудностями внедрения успешного машинного обучения на практике, в основном из-за необходимой экспертизы и высокой стоимости разработки функционирующей программы.

Успешные количественные магазины привлекают целые группы докторов философии, специалистов по данным и инженеров, чтобы понять большие объемы сложных данных – и даже тогда иногда терпят неудачу. Найти предсказательную силу из данных сложно, и черные лебеди, такие как COVID-19, и другие сдвиги режима могут сделать эти данные устаревшими без человеческого надзора.

Фундаментальные провалы

Многие люди осведомлены о принципах фундаментального анализа – изучении финансовых отчетов и учете экономических факторов для принятия решений о том, где инвесторам следует инвестировать для получения лучших доходов, учитывая цели и аппетит к риску. Инвесторы практиковали и усовершенствовали этот трудоемкий подход к получению доходов в течение десятилетий. Некоторые, однако, согреваются к использованию современных технологий, таких как машинное обучение и альтернативные данные, для улучшения результатов, синтеза информации за меньшее время и сокращения любых когнитивных предубеждений, которые могут вмешаться в процесс принятия решений.

Кроме того, фундаментальное активное инвестиционное управление сталкивается с огромными проблемами, начиная от сжатия комиссий и технологических достижений и заканчивая сдвигом 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 технологии преобразуют мир так же, как промышленная революция раньше, и отрасль управления инвестициями не будет иммунна к изменениям. Согласно исследованию 2019 года Института CFA, которое опросило менеджеров портфелей, только 10% менеджеров портфелей использовали какой-либо искусственный интеллект или машинное обучение в своем инвестиционном процессе.

По мере продолжения технологического прогресса методы машинного обучения станут неоспоримым аспектом управления инвестициями. Однако многие применения машинного обучения требуют знаний программирования, незнакомых традиционным менеджерам, которые более уверены в своем собственном фундаментальном анализе, который они могут делать самостоятельно и, по умолчанию, имеют более глубокое понимание.

Учитывая вышеперечисленные 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 союза экспертизы фундаментального инвестиционного менеджера и технологических преимуществ, которые предлагает ИИ.

Машины решают проблемы фундаментальных инвесторов, желающих 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 при реализации интеллекта в своем процессе.

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

В конечном итоге наложения машинного обучения позволяют фундаментальному инвестиционному менеджеру объединить свою экспертизу в выборе акций с передовыми, специфичными для финансов ИИ/МО для лучших результатов.

Инвестиционный менеджер может любить акции Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix и Google (FAANG) и обнаружить, что они обеспечивают хорошую производительность в его портфеле, но имеют все пять акций 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 менеджера точно таким же, могут привести к лучшим результатам в плане доходности, альфы и волатильности.

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

Машинное обучение для лучших инвестиций

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