นักลงทุนสถาบันกำลังมองหาการให้ผลตอบแทน โอเวอร์เลย์เครื่องจักรสามารถช่วยค้นหามัน

โดย Nicholas Abe, ผู้ร่วมก่อตั้งและ COO ของ Boosted.ai

นักลงทุนสามารถได้รับสิ่งที่ดีที่สุดจากทั้งสองโลกของการเข้าถึงเชิงปริมาณและเชิงพื้นฐานได้อย่างไร โดยการนำโอเวอร์เลย์เครื่องจักรมาใช้ เขียนโดย Nick Abe, ผู้ร่วมก่อตั้งและประธานฝ่ายปฏิบัติการของ Boosted.ai ผู้จัดการเชิงพื้นฐานกำลังปล่อยให้ผลกำไรหลุดมือโดยไม่ปรับตัวให้เข้ากับเทคโนโลยีที่เปลี่ยนแปลงและความต้องการของนักลงทุนสถาบัน Abe แสดงให้เห็นว่าการรวมความเชี่ยวชาญด้านการเงินของตนเข้ากับเครื่องมือปัญญาประดิษฐ์ขั้นสูงสามารถเพิ่มอัลฟาและชาร์ป

ทั้งสองด้านของสเปกตรัมการลงทุน – เชิงปริมาณและเชิงพื้นฐาน – มีปัญหาเมื่อเร็วๆ นี้ แม้แต่นักลงทุนที่ซับซ้อนที่สุดก็ยังต้องดิ้นรนในปี 2563 เนื่องจากความผันผวนที่ไม่คาดคิดที่การระบาดของ COVID-19 นำมาสู่ตลาด

การเข้าถึงเชิงปริมาณได้สร้างขึ้นอย่างช้าๆ ภายในผู้จัดการสินทรัพย์ขนาดใหญ่เมื่อพวกเขาสร้างทีมปริมาณของตนเอง อย่างไรก็ตาม การให้คำมั่นว่าจะมีจุดเด่นจากเทคโนโลยีสมัยใหม่ได้รับการตอบรับด้วยความยากลำบากในการนำการเรียนรู้ของเครื่องจักรที่ประสบความสำเร็จไปใช้ในการปฏิบัติ ซึ่งโดยทั่วไปแล้วเกิดจากความเชี่ยวชาญที่จำเป็นและต้นทุนสูงในการพัฒนาโปรแกรมที่ทำงานได้

ร้านค้าปริมาณที่ประสบความสำเร็จจ้าง Ph.D., นักวิทยาศาสตร์ข้อมูลและวิศวกรจำนวนมากเพื่อทำความเข้าใจข้อมูลที่ซับซ้อนจำนวนมาก – และแม้แต่ในบางครั้งยังล้มเหลว การค้นหาอำนาจในการทำนายจากข้อมูลเป็นสิ่งที่ยาก และเหตุการณ์หงส์ดำ เช่น COVID-19 และการเปลี่ยนแปลงระบอบอื่นๆ สามารถทำให้ข้อมูลล้าสมัยโดยไม่มีการกำกับดูแลของมนุษย์

ความล้มเหลวของการวิเคราะห์เชิงพื้นฐาน

ผู้คนส่วนใหญ่ทราบหลักการของการวิเคราะห์เชิงพื้นฐาน – การศึกษาบัญชีและการรวมปัจจัยทางเศรษฐกิจเพื่อตัดสินใจว่าควรลงทุนใน đâu เพื่อให้ได้ผลตอบแทนที่ดีที่สุดตามเป้าหมายและความสามารถในการรับความเสี่ยงของนักลงทุน นักลงทุนได้ฝึกฝนและพัฒนาวิธีการนี้มาเป็นเวลาหลายทศวรรษเพื่อให้ได้ผลตอบแทน บางคนได้เริ่มรับทราบถึงความสำคัญของการใช้เทคโนโลยีสมัยใหม่ เช่น การเรียนรู้ของเครื่องจักรและข้อมูลทางเลือกเพื่อเพิ่มประสิทธิภาพ สังเคราะห์ข้อมูลในเวลาที่สั้นลง และลดความลำเอียงทางจิตที่อาจเกิดขึ้นในการตัดสินใจ

นอกจากนี้ การจัดการการลงทุนเชิงพื้นฐานที่ใช้งานอยู่กำลังเผชิญกับความท้าทายที่ยิ่งใหญ่ ตั้งแต่การบีบอัดค่าธรรมเนียมและความก้าวหน้าทางเทคโนโลยีไปจนถึงการเปลี่ยนแปลงความคิดเห็นของนักลงทุนไปสู่ ETF ต้นทุนต่ำ

สิ่งใดที่ทั้งสองวิธีการเข้าถึงเชิงปริมาณและเชิงพื้นฐานมีร่วมกัน? พวกเขาศึกษโลกโดยรอบเพื่อตัดสินใจโดยมีข้อมูลรอบด้านเกี่ยวกับว่าจะใช้เงินทุนไปที่ใดเพื่อให้ได้ผลตอบแทน

แต่สิ่งใดจะเกิดขึ้นหากมีตัวเลือกที่สาม?

การเรียกหาเครื่องจักรเรียนรู้ในด้านการจัดการเชิงพื้นฐาน

การเรียนรู้ของเครื่องจักรได้ปฏิวัติอุตสาหกรรมและชีวิตประจำวัน ตั้งแต่ Google Translate ถึงรถยนต์ขับเคลื่อนอัตโนมัติ เทคโนโลยีกำลังเปลี่ยนแปลงโลกในลักษณะเดียวกับการปฏิวัติอุตสาหกรรมก่อนหน้านี้ และอุตสาหกรรมการจัดการการลงทุนจะไม่หลีกเลี่ยงการเปลี่ยนแปลงเหล่านี้ ตามการศึกษาในปี 2562 โดย CFA Institute ที่สำรวจผู้จัดการพอร์ตโฟลิโอ พบว่าเพียง 10% ของผู้จัดการพอร์ตโฟลิโอเท่านั้นที่เคยใช้ปัญญาประดิษฐ์หรือการเรียนรู้ของเครื่องจักรในการลงทุน

เมื่อเทคโนโลยียังคงพัฒนาไป การเรียนรู้ของเครื่องจักรจะกลายเป็นส่วนสำคัญที่ไม่สามารถต่อรองได้ในการจัดการการลงทุน อย่างไรก็ตาม การใช้งานการเรียนรู้ของเครื่องจักรหลายอย่างต้องการความรู้ด้านการเขียนโปรแกรมที่ไม่คุ้นเคยสำหรับผู้จัดการด้านพื้นฐานที่มั่นใจในความเชี่ยวชาญด้านการวิเคราะห์เชิงพื้นฐานของตนเอง

เมื่อพิจารณาถึงอุปสรรคข้างต้น นักลงทุนเชิงพื้นฐานจะปรับตัวได้อย่างไร?

การผสมผสานเพื่อกระบวนการที่ดีกว่า: โอเวอร์เลย์เครื่องจักร

การเพิ่มโอเวอร์เลย์เครื่องจักรเข้ากับพอร์ตโฟลิโอเป็นเพียงตัวอย่างหนึ่งของการผสมผสานระหว่างความเชี่ยวชาญด้านการเงินของผู้จัดการเชิงพื้นฐานและความก้าวหน้าทางเทคโนโลยีของ AI

โอเวอร์เลย์เครื่องจักรช่วยแก้ไขอุปสรรคสำหรับนักลงทุนเชิงพื้นฐานที่ต้องการรวมเทคโนโลยีเข้าด้วยกัน พวกมันใช้งานง่ายและสามารถใช้งานได้โดยไม่ต้องมีความรู้ด้านการเขียนโปรแกรม และสามารถใช้งานได้โดยไม่ต้องเปลี่ยนแปลงพอร์ตโฟลิโอเดิมของนักลงทุน พวกมันให้คำอธิบายที่ชัดเจนเกี่ยวกับการตัดสินใจของเครื่องจักร โดยแสดงให้เห็นว่าตัวแปรใดที่เครื่องจักรเรียนรู้ถือว่าสำคัญในการตัดสินใจ ซึ่งช่วยให้ผู้จัดการเชิงพื้นฐานรู้สึกสบายใจมากขึ้นในการนำความฉลาดนี้ไปใช้ในการดำเนินงาน

ตัวอย่างเช่น โอเวอร์เลย์เครื่องจักรเรียนรู้ของ Boosted Insights จะใช้พอร์ตโฟลิโอเดิมของผู้จัดการการลงทุนและปรับเปลี่ยนน้ำหนักการลงทุนของหุ้นเล็กน้อย มันไม่ได้เพิ่มตำแหน่งใหม่ แต่ปรับเปลี่ยนน้ำหนักการลงทุน (ยาวหรือสั้น) ของหุ้นในพอร์ตโฟลิโอเดิมของผู้จัดการการลงทุน ตามผลการวิเคราะห์ หุ้นที่ได้รับการจัดอันดับสูงอาจมีน้ำหนักการลงทุนเพิ่มขึ้น และหุ้นที่ได้รับการจัดอันดับต่ำอาจมีน้ำหนักการลงทุนลดลง

สุดท้าย โอเวอร์เลย์เครื่องจักรช่วยให้ผู้จัดการการลงทุนเชิงพื้นฐานสามารถผสมผสานความสามารถในการเลือกหุ้นของตนเองกับ AI/ML ที่ทันสมัยและเฉพาะด้านการเงินเพื่อให้ได้ผลลัพธ์ที่ดีกว่า

ผู้จัดการการลงทุนอาจชอบหุ้น Facebook, Apple, Amazon, Netflix และ Google (FAANG) และพบว่าพวกมันให้ผลตอบแทนที่ดีในพอร์ตโฟลิโอของตน แต่ทั้งห้าตำแหน่งมีน้ำหนักเท่าๆ กัน การเพิ่มโอเวอร์เลย์เครื่องจักรเรียนรู้ของ Boosted Insights ช่วยให้เครื่องจักรสามารถปรับเปลี่ยนน้ำหนักการลงทุนเล็กน้อย – เช่น Facebook ลดน้ำหนักการลงทุนลงเหลือ 18.5% และ Apple เพิ่มน้ำหนักการลงทุนขึ้นเป็น 21.5% การเปลี่ยนแปลงเล็กๆ น้อยๆ เหล่านี้ โดยที่พอร์ตโฟลิโอของผู้จัดการการลงทุนยังคงเหมือนเดิม สามารถนำไปสู่ผลลัพธ์ที่ดีกว่าในด้านผลตอบแทน อัลฟา และความผันผวน

เราพบว่าแบบจำลองเหล่านี้สามารถปรับปรุงพอร์ตโฟลิโอที่มีอัลฟาสูงแล้วโดยการปรับเปลี่ยนน้ำหนักการลงทุนของหุ้นเท่านั้น โดยไม่ต้องเปลี่ยนแปลงองค์ประกอบของพอร์ตโฟลิโอ เบต้า vẫnสม่ำเสมอเนื่องจากการกระจายเงินลงทุนพื้นฐานถูกปรับเปลี่ยนโดยโมเดลโอเวอร์เลย์

การเรียนรู้ของเครื่องจักรเพื่อการลงทุนที่ดีกว่า

การเรียนรู้ของเครื่องจักรได้และจะยังคงเปลี่ยนแปลงอุตสาหกรรม ผู้จัดการการลงทุนสามารถเพิ่มประสิทธิภาพวัตถุประสงค์ของพอร์ตโฟลิโอของตนโดยการนำการเรียนรู้ของเครื่องจักรมาใช้ในการดำเนินงาน แต่ในลักษณะที่เป็นส่วนเสริมและเป็นธรรมชาติในการทำงานของตน วิธีที่ดีในการเริ่มต้นกับการเรียนรู้ของเครื่องจักรคือการนำโอเวอร์เลย์เครื่องจักรมาใช้