Institutionella investerare söker avkastning. Maskinöverlagring kan hjälpa till att hitta dem

Av Nicholas Abe, medgrundare och COO för Boosted.ai

Hur kan investerare få det bästa av båda världar från kvantitativa och fundamentala metoder? Genom att implementera maskinöverlagring, skriver Nick Abe, medgrundare och Chief Operating Officer för Boosted.ai. Fundamentala chefer lämnar vinster på bordet genom att inte anpassa sig till förändrade teknologier och institutionella investerarers krav. Abe visar att genom att kombinera sin finansiella domänkompetens med avancerade artificiella intelligensverktyg kan de öka alfa och Sharpe.

Båda sidor av investeringsspektrumet – kvantitativ och fundamental – har haft problem nyligen. Även de mest sofistikerade investerarna kämpade 2020 på grund av den oförutsedda volatiliteten som COVID-19-pandemin förde till marknaden.

Den kvantitativa metoden har långsamt byggts upp inom stora tillgångsförvaltare när de skapar sina egna kvantteam. Men löftet om att ha en fördel från modern teknik har mött svårigheter med att få framgångsrik maskinlärande i praktiken, till stor del på grund av den expertis som krävs och den höga kostnaden för att utveckla ett fungerande program.

Lyckade kvantbutiker anställer många doktorer, dataforskare och ingenjörer för att förstå stora mängder komplexa data – och även då kan de ibland misslyckas. Att hitta prediktiv kraft från data är svårt, och svarta svan-händelser som COVID-19 och andra regimskiften kan göra att data blir inaktuell utan mänsklig övervakning.

Fundamentala brister

De flesta är medvetna om principerna för fundamental analys – att studera finansiella rapporter och inkorporera ekonomiska faktorer för att fatta beslut om var investerare ska investera för de bästa avkastningarna med hänsyn till mål och riskaptit. Investerare har praktiserat och finslipat denna tidskrävande metod för att leverera avkastning i decennier. Några, dock, är varma för att dra nytta av modern teknik som maskinlärande och alternativa data för att skärpa prestanda, syntetisera information på kortare tid och minska eventuella kognitiva fördomar som kan störa beslutsprocessen.

Utöver detta står fundamentalt aktivt förvaltning av investeringar inför enorma utmaningar, allt från avgiftskompression och teknologiska framsteg till skiftande investerarers attityd mot lågkostnads-ETF:er.

Vad har både kvantitativa och fundamentala metoder gemensamt? De studerar världen runt omkring sig för att fatta informerade beslut om var man bäst ska använda kapital för avkastning.

Men vad om det fanns ett tredje alternativ?

Samtalet om maskinlärande i fundamentalt ledarskap

Maskinlärande har revolutionerat branscher och vardagsliv. Från Google Översätt till självkörande bilar, teknik förändrar världen på samma sätt som den industriella revolutionen före den, och investeringsbranschen kommer inte att vara immun mot förändringarna. Enligt en studie från CFA Institute 2019 som undersökte portföljchefer, hade endast 10% av portföljcheferna använt någon form av artificiell intelligens eller maskinlärande i sin investeringsprocess.

Så länge tekniken fortsätter att utvecklas, kommer maskinlärande-tekniker att bli en icke-förhandlingsbar del av investeringsledning. Men många maskinlärande-applikationer kräver programmeringskunskap som är främmande för traditionella chefer som är mer säkra på sin egen fundamentala analys, som de kan göra på egen hand och som de har en djupare förståelse för.

Givet vägspärrarna ovan, hur kan fundamentala chefer lyckas anpassa sig?

Kombinera för en bättre process: Maskinlärande-överlagring

Att lägga till en maskinlärande-överlagring till en portfölj är bara ett exempel på en förening av den fundamentala investeringschefens expertis och de teknologiska fördelarna som AI har att erbjuda.

Maskinöverlagring löser de hinder som fundamentala investerare möter när de försöker inkorporera tekniken. De är lätta att använda och kan distribueras ovanpå traditionella investerares befintliga portföljer utan att någon programmeringskunskap krävs. De ger fullständig förklaring av maskinens resonemang, som visar vilka variabler maskinlärandet ansåg vara viktiga i sitt beslutsfattande. Detta hjälper fundamentala chefer att känna sig mer bekväma med att implementera intelligensen i sin process.

Till exempel tar en Boosted Insights-maskinlärande-överlagring en investeringschefs befintliga portfölj och justerar aktiepositionsvikterna något. Den lägger inte till några nya positioner – utan justerar vikterna (lång eller kort) för aktier i chefens befintliga portfölj. Baserat på sina fynd kan aktier som rankas högt få sina vikter ökade och aktier som rankas dåligt kan få sina vikter minskade.

Till slut tillåter maskinlärande-överlagringar en fundamental investeringschef att kombinera sin aktievals-kompetens med avancerad, finansiell AI/ML för bättre resultat.

En investeringschef kan gilla Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix och Google (FAANG) aktier och finna att de erbjuder bra prestanda i sin portfölj, men ha alla fem med lika vikter. Tillägget av Boosted Insights-maskinlärande-överlagring tillåter maskinen att justera vikterna något – säg att Facebook minskas till 18,5% och Apple ökas till 21,5%. Dessa små skillnader, samtidigt som investeringschefens portfölj förblir exakt densamma, kan resultera i bättre utfall i termer av avkastning, alfa och volatilitet.

Vi har funnit att dessa typer av modeller kan förbättra portföljer som redan hade hög alfa genom att endast justera vikterna för aktierna och inte behöva justera sammansättningen. Beta förblev konstant eftersom basallokeringarna justerades av modellöverlagringarna.

Maskinlärande för bättre investering

Maskinlärande har och kommer att fortsätta att förändra branscher. Investeringschefer kan förbättra sina portfölj-mål genom att implementera maskinlärande i sin process, men på ett sätt som är kompletterande och organiskt till deras arbetsflöde. Ett bra sätt att börja med maskinlärande-tekniker är att implementera en maskinlärande-överlagring.