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 maskinlärningsöverlagringar, 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 efterfrågan. Abe visar att genom att kombinera deras finansiella domänexpertis med avancerade artificiella intelligensverktyg kan alpha och Sharpe öka.

Båda sidor av investeringsspektrumet – kvantitativ och fundamentalt – har haft problem nyligen. Även de mest sofistikerade investerarna kämpade 2020 på grund av den oförutsedda volatilitet 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 maskinlärning 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, datavetare 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 föråldrad utan mänsklig övervakning.

Fundamentala brister

De flesta är medvetna om principerna för fundamentalanalys – 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. Vissa, dock, värmer upp till att dra nytta av modern teknik som maskinlärning och alternativ data för att skärpa prestationen, syntetisera information på kortare tid och begränsa eventuella kognitiva bias som kan störa beslutsprocessen.

Dessutom står fundamentalt aktivt investeringsförvaltning inför enorma utmaningar, från avgiftskompression och teknologiska framsteg till skiftande investeraropinion 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?

Upprop för maskinlärning i fundamentalt förvaltning

Maskinlärning har revolutionerat branscher och vardagsliv. Från Google Translate till självkörande bilar, tekniken förändrar världen likt den industriella revolutionen före den, och investeringsförvaltningsbranschen kommer inte att vara immun mot förändringarna. Enligt en studie från 2019 av CFA Institute som undersökte portföljförvaltare, hade endast 10% av portföljförvaltarna använt någon form av artificiell intelligens eller maskinlärning i sin investeringsprocess.

Såsom tekniken fortsätter att utvecklas, kommer maskinlärningstekniker att bli ett nödvändigt inslag i investeringsförvaltning. Men många maskinlärningsapplikationer 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.

Med tanke på ovanstående hinder, hur kan fundamentala chefer framgångsrikt anpassa sig?

Kombinera för en bättre process: Maskinlärningsöverlagring

Att lägga till en maskinlärningsöverlagring till en portfölj är bara ett exempel på ett äktenskap mellan den fundamentala investeringschefens expertis och de teknologiska fördelarna som AI har att erbjuda.

Maskinöverlagringar 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 tillhandahåller fullständig förklarbarhet av maskinens resonemang, vilket visar vilka variabler maskinlärningen 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-maskinlärningsöverlagring en investeringschefens befintliga portfölj och justerar aktiepositionsvikterna något. Den lägger inte till några nya positioner – den justerar bara 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 maskinlärningsöverlagringar en fundamentalt investeringschef att kombinera sin aktieutförselförmåga med avancerad, finansiell AI/ML för bättre resultat.

En investeringschef kan gilla Facebook, Apple, Amazon, Netflix och Google (FAANG)-aktier och finna att de erbjuder bra prestation i sin portfölj, men har alla fem med samma vikt. Tillägget av Boosted Insights-maskinlärningsöverlagring 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, alpha och volatilitet.

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

Maskinlärning för bättre investering

Maskinlärning har och kommer att fortsätta att störa branscher. Investeringschefer kan förbättra sina portföljmål genom att implementera maskinlärning i sin process, men på ett sätt som är kompletterande och organiskt till deras arbetsflöde. Ett bra sätt att testa maskinlärningstekniker är att implementera en maskinlärningsöverlagring.