Kurumsal Yatırımcılar Getiri Arıyor. Makine Üst Çakışmaları Onları Bulmaya Yardımcı Olabilir

Nicholas Abe, Boosted.ai’nin kurucu ortaklarından ve işletme müdürü

Yatırımcılar nicel ve temel yaklaşımların her ikisinin en iyisini nasıl elde edebilir? Makine öğrenimi üst çakışmaları uygulayarak, diye yazıyor Nick Abe, Boosted.ai’nin kurucu ortaklarından ve işletme müdürü. Temel yöneticiler, değişen teknolojilere ve kurumsal yatırımcı talebine uyum sağlamayarak masada kazançlar bırakıyorlar. Abe, finansal alan uzmanlıklarını son teknolojiye sahip yapay zeka araçlarıyla birleştirmelerinin alfa ve Sharpe’ı artırabileceğini gösteriyor.

Yatırım spektrumunun her iki tarafı – nicel ve temel – son zamanlarda sorunlar yaşamıştır. 2020’de COVID-19 salgınının piyasalara getirdiği öngörülmemiş volatilite nedeniyle, hatta en sofistike yatırımcılar bile zorluklarla karşılaştı.

Nicel yaklaşım, büyük varlık yöneticilerinin kendi nicel ekiplerini oluştururken yavaş yavaş inşa edildi. Ancak modern teknolojinin bir avantajı vaat etmesi, başarılı bir makine öğrenimi uygulamaya koymadaki zorluklarla karşılaştı, büyük ölçüde gerekli uzmanlık ve işleyen bir program geliştirmenin yüksek maliyeti nedeniyle.

Başarılı nicel dükkanlar, büyük miktarlarda karmaşık verilerin anlamını çıkarmak için Ph.D.’ler, veri bilimcileri ve mühendisler istihdam eder – ve bazen bile başarısız olurlar. Verilerden öngörücü güç bulmak zordur ve COVID-19 gibi siyah kuğu olayları ve diğer rejim değişiklikleri, insan denetimi olmadan bu verileri geçersiz kılabilir.

Temel Zayıflıklar

Çoğu insan temel analiz ilkelerini bilir – finansal tabloları incelemek ve yatırımcıların en iyi getirileri için nereye yatırım yapması gerektiğine karar vermek için ekonomik faktörleri dikkate almak. Yatırımcılar, bu zaman alıcı yaklaşımı, hedeflerine ve risk iştahlarına göre getiriler sağlamak için on yıllar boyunca uygulamış ve geliştirmişlerdir. Ancak bazıları, modern teknoloji gibi makine öğrenimi ve alternatif verileri kullanarak performanslarını keskinleştirmek, bilgiyi daha kısa sürede sentezlemek ve karar alma sürecine müdahale edebilecek bilişsel önyargıları azaltmak için yararlanmaya başlıyor.

Ayrıca, temel aktif yatırım yönetimi, ücret baskısı ve teknolojik gelişmelerden kaynaklanan büyük zorluklarla karşı karşıya.

Nicel ve temel yaklaşımların her ikisi de ortak nedir? Yatırım için sermayeyi nereye dağıtmaya karar vermek için çevrelerini incelemek.

Ama ya üçüncü bir seçenek olsaydı?

Temel Yönetimde Makine Öğreniminin Çağrısı

Makine öğrenimi, endüstrileri ve günlük hayatı devrimleştiriyor. Google Translate’den self-driving arabalara, teknoloji, yatırım yönetimi endüstrisini de değişime uğratmadan önce endüstriyel devrime benzer bir şekilde dünyayı değiştiriyor. 2019’da CFA Enstitüsü tarafından yapılan bir çalışmada, portföy yöneticilerine yönelik bir anket, yalnızca %10’unun yatırım süreçlerinde herhangi bir yapay zeka veya makine öğrenimini kullandığını gösterdi.

Teknoloji ilerledikçe, makine öğrenimi teknikleri yatırım yönetiminin vazgeçilmez bir parçası haline gelecektir. Ancak birçok makine öğrenimi uygulaması, geleneksel yöneticilerin kendi temel analizlerine daha aşina olduğu ve doğal olarak daha derin bir anlayışa sahip olduğu yabancı programlama bilgilerini gerektirir.

Yukarıdaki engelleri göz önünde bulundurarak, temel yöneticiler nasıl başarılı bir şekilde adapte olabilir?

Daha İyi Bir Süreç İçin Birleştirme: Makine Öğrenimi Üst Çakışmaları

Bir portföye makine öğrenimi üst çakışması eklemek, temel yatırım yöneticisinin uzmanlığını ve yapay zekanın teknolojik avantajlarını birleştirmesinin yalnızca bir örneğidir.

Makine üst çakışmaları, temel yatırımcıların teknolojiyi entegre etmeye çalışırken karşılaştıkları engelleri çözer. Kolayca kullanılabilir ve geleneksel yatırımcıların mevcut portföylerinin üzerine programlama bilgisi gerektirmeden dağıtabilirler. Makine öğreniminin karar alma sürecinde hangi değişkenlerin önemli olduğunu gösteren tam açıklanabilirlik sağlar. Bu, temel yöneticilerin processlerine zekayı uygulamaya daha rahat hissetmelerine yardımcı olur.

Örneğin, Boosted Insights makine öğrenimi üst çakışması, bir yatırım yöneticisinin mevcut portföyünü alır ve hisse pozisyon ağırlıklarını hafifçe ayarlar. Yeni pozisyonlar eklemiyor – yalnızca yöneticinin mevcut portföyündeki hisselerin ağırlıklarını (uzun veya kısa) ayarlar. Bulduğu sonuçlara dayanarak, yüksek puan alan hisselerin ağırlıkları artırılabilir ve düşük puan alan hisselerin ağırlıkları azaltılabilir.

Sonuçta, makine öğrenimi üst çakışmaları, temel bir yatırım yöneticisinin hisse seçme uzmanlığını, finansla ilgili son teknolojiye sahip AI/ML ile birleştirmesine izin verir ve daha iyi sonuçlar elde edilmesini sağlar.

Bir yatırım yöneticisi, Facebook, Apple, Amazon, Netflix ve Google (FAANG) hisselerini sevebilir ve portföylerinde iyi performans gösterdiklerine karar verebilir, ancak hepsini eşit ağırlıklara sahip olabilir. Boosted Insights makine öğrenimi üst çakışmasının eklenmesi, makinenin ağırlıkları hafifçe değiştirmesine izin verir – Örneğin, Facebook %18,5’e düşürülür ve Apple %21,5’e yükseltilir. Bu küçük farklılıklar, yatırım yöneticisinin portföyünü tam olarak aynı tutarken, getiriler, alfa ve volatilite açısından daha iyi sonuçlar elde edilebilir.

Bu tür modellerin, yalnızca hisse ağırlıklarını değiştirmekle kalmayıp, aynı zamanda bileşimi değiştirmeden, zaten yüksek alfa olan portföyleri geliştirebileceğini bulduk. Model üst çakışmaları tarafından ayarlanan temel tahsisatlar olarak beta tutarlı kaldı.

Daha İyi Yatırım İçin Makine Öğrenimi

Makine öğrenimi, endüstrileri ve günlük hayatı değiştirmeye devam edecek. Yatırım yöneticileri, makine öğrenimini processlerine dahil ederek portföy hedeflerini geliştirebilir, ancak bu, iş akışlarına tamamlayıcı ve organik bir şekilde olmalıdır. Makine öğrenimi tekniklerine ayaklarını denemek için iyi bir yol, makine öğrenimi üst çakışması uygulamaktır.