นักลงทุนสถาบันกำลังมองหาการเติบโต การทับซ้อนของเครื่องจักรสามารถช่วยให้พบพวกเขา

โดย Nicholas Abe, ผู้ร่วมก่อตั้งและ COO ของ Boosted.ai

นักลงทุนสามารถได้รับสิ่งที่ดีที่สุดจากทั้งสองโลกของแนวทางเชิงปริมาณและเชิงพื้นฐานได้อย่างไร โดยการนำการซ้อนทับของเครื่องจักรมาใช้ เขียนโดย Nick Abe, ผู้ร่วมก่อตั้งและประธานฝ่ายปฏิบัติการของ Boosted.ai ผู้จัดการเงินกองทุนเชิงพื้นฐานกำลังปล่อยให้ผลกำไรหลุดมือโดยไม่ได้ปรับตัวให้เข้ากับเทคโนโลยีที่เปลี่ยนแปลงและความต้องการของนักลงทุนสถาบัน Abe แสดงให้เห็นว่าการผสมผสานความเชี่ยวชาญด้านการเงินของโดเมนของตนเข้ากับเครื่องมือปัญญาประดิษฐ์ที่ทันสมัยสามารถเพิ่ม alpha และ Sharpe ได้

ทั้งสองด้านของสเปกตรัมการลงทุน – เชิงปริมาณและเชิงพื้นฐาน – มีปัญหาเมื่อเร็วๆ นี้ แม้แต่นักลงทุนที่ซับซ้อนที่สุดก็ยังต้องดิ้นรนในปี 2563 เนื่องจากความผันผวนที่ไม่คาดคิดที่เกิดจากโควิด-19 ที่นำมาสู่ตลาด

แนวทางเชิงปริมาณได้ถูกสร้างขึ้นอย่างช้าๆ ภายในผู้จัดการสินทรัพย์ขนาดใหญ่เมื่อพวกเขาสร้างทีมปริมาณของตนเอง อย่างไรก็ตาม การมีจุดเด่นจากเทคโนโลยีสมัยใหม่ได้ถูกพบกับความยากลำบากในการนำการเรียนรู้ของเครื่องจักรที่ประสบความสำเร็จมาใช้ โดยส่วนใหญ่เนื่องจากความเชี่ยวชาญที่จำเป็นและต้นทุนสูงในการพัฒนาโปรแกรมที่ทำงานได้

ร้านค้าปริมาณที่ประสบความสำเร็จจ้างพนักงานปริมาณจำนวนมาก นักวิทยาศาสตร์ข้อมูลและวิศวกรเพื่อทำความเข้าใจข้อมูลที่ซับซ้อนจำนวนมาก – และแม้แต่ในบางครั้งยังล้มเหลว การค้นหาอำนาจในการทำนายจากข้อมูลเป็นสิ่งที่ยาก และเหตุการณ์หงส์ดำเช่นโควิด-19 และการเปลี่ยนแปลงระบอบอื่นๆ สามารถทำให้ข้อมูลนั้นล้าสมัยโดยไม่มีการกำกับดูแลของมนุษย์

ความล้มเหลวของพื้นฐาน

ผู้คนส่วนใหญ่ทราบหลักการของการวิเคราะห์พื้นฐาน – การศึกษาบัญชีและการรวมปัจจัยทางเศรษฐกิจเพื่อตัดสินใจว่าควรลงทุนใน đâu เพื่อให้ได้รับผลตอบแทนที่ดีที่สุดตามเป้าหมายและความเสี่ยง นักลงทุนได้ฝึกฝนและพัฒนาวิธีการนี้มาเป็นเวลานานเพื่อให้ได้รับผลตอบแทน บางคนได้เริ่มใช้ประโยชน์จากเทคโนโลยีสมัยใหม่เช่นการเรียนรู้ของเครื่องจักรและข้อมูลทางเลือกเพื่อปรับปรุงประสิทธิภาพ รวมข้อมูลในเวลาที่สั้นลงและลดความลำเอียงทางจิตที่อาจส่งผลต่อกระบวนการตัดสินใจ

การบริหารการลงทุนเชิงพื้นฐานที่ใช้งานอยู่กำลังเผชิญกับความท้าทายที่ยิ่งใหญ่ ตั้งแต่การบีบอัดค่าธรรมเนียมและความก้าวหน้าทางเทคโนโลยีไปจนถึงการเปลี่ยนแปลงความคิดเห็นของนักลงทุนไปสู่กองทุน ETF ต้นทุนต่ำ

ทั้งสองแนวทางเชิงปริมาณและเชิงพื้นฐานมีอะไรที่เหมือนกันบ้าง ทั้งสองศึกษาวorld รอบตัวเพื่อตัดสินใจอย่างมีข้อมูลเกี่ยวกับว่าจะลงทุนเงินทุนเพื่อผลตอบแทนที่ดีที่สุด

แต่ถ้ามีทางเลือกที่สาม?

การเรียกใช้การเรียนรู้ของเครื่องจักรในบริหารการลงทุนเชิงพื้นฐาน

การเรียนรู้ของเครื่องจักรได้ปฏิวัติอุตสาหกรรมและชีวิตประจำวัน ตั้งแต่ Google Translate ถึงรถยนต์ขับเคลื่อนอัตโนมัติ เทคโนโลยีกำลังเปลี่ยนแปลงโลกในลักษณะเดียวกับปฏิวัติอุตสาหกรรมก่อนหน้านี้ และอุตสาหกรรมการจัดการการลงทุนจะไม่หลีกเลี่ยงการเปลี่ยนแปลงนี้ ตามการศึกษาในปี 2562 โดย CFA Institute ที่สำรวจผู้จัดการพอร์ตโฟลิโอพบว่าเพียง 10% ของผู้จัดการพอร์ตโฟลิโอใช้ปัญญาประดิษฐ์หรือการเรียนรู้ของเครื่องจักรใดๆ ในกระบวนการลงทุนของตน

เมื่อเทคโนโลยีต่อไปนี้จะกลายเป็นส่วนหนึ่งที่ไม่สามารถต่อรองได้ของการจัดการการลงทุน อย่างไรก็ตาม การใช้งานการเรียนรู้ของเครื่องจักรหลายๆ ต้องการความรู้ด้านการเขียนโปรแกรมที่ไม่คุ้นเคยสำหรับผู้จัดการเชิงพื้นฐานที่มีความมั่นใจในความเชี่ยวชาญด้านพื้นฐานของตนเอง ซึ่งสามารถทำได้ด้วยตนเองและโดยอัตโนมัติมีความเข้าใจที่ลึกซึ้งยิ่งขึ้น

เมื่อพิจารณาถึงอุปสรรคข้างต้น ผู้จัดการเชิงพื้นฐานสามารถปรับตัวได้อย่างไร?

การผสมผสานเพื่อกระบวนการที่ดีขึ้น: การทับซ้อนของเครื่องจักร

การเพิ่มการทับซ้อนของเครื่องจักรเข้ากับพอร์ตโฟลิโอเป็นเพียงตัวอย่างหนึ่งของการผสมผสานความเชี่ยวชาญด้านการเงินของโดเมนของผู้จัดการเชิงพื้นฐานและความก้าวหน้าทางเทคโนโลยีของ AI

การทับซ้อนของเครื่องจักรช่วยแก้ไขอุปสรรคสำหรับผู้จัดการเชิงพื้นฐานที่ต้องการรวมเทคโนโลยีเข้าด้วยกัน สามารถใช้งานได้ง่ายและสามารถใช้งานได้โดยไม่ต้องมีความรู้ด้านการเขียนโปรแกรมใดๆ และสามารถให้คำอธิบายที่ชัดเจนเกี่ยวกับเหตุผลของเครื่องจักรในการตัดสินใจ ซึ่งช่วยให้ผู้จัดการเชิงพื้นฐานรู้สึกสบายใจมากขึ้นในการนำความฉลาดมาใช้ในการดำเนินงาน

ตัวอย่างเช่น การทับซ้อนของเครื่องจักร Boosted Insights จะนำพอร์ตโฟลิโอของนักลงทุนและปรับเปลี่ยนน้ำหนักของหุ้นเล็กน้อย ไม่ได้เพิ่มตำแหน่งใหม่ แต่ปรับเปลี่ยนน้ำหนัก (ยาวหรือสั้น) ของหุ้นในพอร์ตโฟลิโอของนักลงทุนตามที่พบว่าหุ้นที่มีคะแนนสูงอาจมีน้ำหนักเพิ่มขึ้นและหุ้นที่มีคะแนนต่ำอาจมีน้ำหนักลดลง

สุดท้าย การทับซ้อนของเครื่องจักรช่วยให้ผู้จัดการเชิงพื้นฐานสามารถผสมผสานความเชี่ยวชาญในการเลือกหุ้นของตนเองกับ AI/ML ที่ทันสมัยและเฉพาะด้านการเงินเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น

ผู้จัดการการลงทุนอาจชอบหุ้น Facebook, Apple, Amazon, Netflix และ Google (FAANG) และพบว่าพวกมันให้ผลการดำเนินงานที่ดีในพอร์ตโฟลิโอของตน แต่มีหุ้นทั้ง 5 ตัวในน้ำหนักที่เท่าเทียมกัน การเพิ่มการทับซ้อนของเครื่องจักร Boosted Insights ช่วยให้เครื่องจักรสามารถปรับเปลี่ยนน้ำหนักเล็กน้อย – เช่น Facebook ลดลงเหลือ 18.5% และ Apple เพิ่มขึ้นเป็น 21.5% ความแตกต่างเล็กๆ นี้ในขณะที่รักษาพอร์ตโฟลิโอของนักลงทุนให้เท่าเดิมสามารถให้ผลลัพธ์ที่ดีขึ้นในแง่ของผลตอบแทน alpha และความผันผวน

เราได้พบว่าแบบจำลองเหล่านี้สามารถปรับปรุงพอร์ตโฟลิโอที่มี alpha สูงแล้วโดยการปรับเปลี่ยนน้ำหนักของหุ้นเท่านั้น โดยไม่ต้องปรับเปลี่ยนองค์ประกอบ Beta ยังคงเท่าเดิมเนื่องจากการกระจายตัวที่ถูกปรับเปลี่ยนโดยโมเดลทับซ้อน

การเรียนรู้ของเครื่องจักรเพื่อการลงทุนที่ดีขึ้น

การเรียนรู้ของเครื่องจักรได้และจะยังคงปฏิวัติอุตสาหกรรมต่อไป นักลงทุนสามารถปรับปรุงวัตถุประสงค์ของพอร์ตโฟลิโอของตนโดยการนำการเรียนรู้ของเครื่องจักรมาใช้ในการดำเนินงาน แต่ในลักษณะที่เป็นส่วนเสริมและเป็นธรรมชาติในการทำงานของตน วิธีที่ดีในการเริ่มต้นใช้เทคนิคการเรียนรู้ของเครื่องจักรคือการนำการทับซ้อนของเครื่องจักรมาใช้ เพื่อเพิ่มผลตอบแทนและลดความเสี่ยงในการลงทุน