Інституційні інвестори шукають доходи. Машинальні налашки можуть допомогти їх знайти

Від Ніколаса Ейба, співзасновника та операційного директора Boosted.ai

Як інвесторам можна отримати найкраще з обох світів від кількісних та фундаментальних підходів? Реалізовуючи машинальні налашки, пише Нік Абе, співзасновник і операційний директор Boosted.ai. Фундаментальні менеджери залишають прибутки на столі, не адаптуючись до змін технологій і вимог інституційних інвесторів. Абе демонструє, що поєднання їхньої фінансової експертизи з передовими інструментами штучного інтелекту може збільшити альфа і Шарпа.

Обидві сторони інвестиційного спектру – кількісний і фундаментальний – мали проблеми останнім часом. Навіть найрозвітліші інвестори боролися у 2020 році через непередбачувану волатильність, яку пандемія COVID-19 принесла на ринок.

Кількісний підхід повільно розвивається серед великих менеджерів активів, оскільки вони створюють свої власні кількісні команди. Однак обіцянка мати перевагу завдяки сучасним технологіям зустрічається з труднощами реалізації успішного машинного навчання на практиці, переважно через необхідність спеціалізованих знань і високої вартості розробки функціонуючої програми.

Успішні кількісні магазини займають цілі групи докторів філософії, вчених-даних і інженерів, щоб зрозуміти великі об’єми складних даних – і навіть тоді іноді не можуть досягти успіху. Знаходження передбачувальної сили з даних є складним завданням, а чорні лебеді, такі як COVID-19, і інші зміни режиму можуть зробити ці дані застарілими без людського нагляду.

Фундаментальні провали

Більшість людей знають про принципи фундаментального аналізу – вивчення фінансових звітів і включення економічних факторів для прийняття рішень про те, де інвесторам слід інвестувати для отримання найкращих доходів, враховуючи цілі і ризик. Інвестори практикували і вдосконалювали цей часоємний підхід до отримання доходів протягом десятиліть. Деякі, однак, починають користуватися сучасними технологіями, такими як машинне навчання і альтернативні дані, щоб підвищити свою продуктивність, синтезувати інформацію за коротший час і зменшити будь-які когнітивні упередження, які можуть втрутитися в процес прийняття рішень.

Крім того, фундаментальне активне інвестиційне управління стикається з величезними викликами, починаючи від компресії комісій і технологічних досягнень і закінчуючи зміною настрою інвесторів щодо низькобюджетних ETF.

Що спільного мають кількісний і фундаментальний підходи? Вони вивчають світ довкола себе, щоб приймати обґрунтовані рішення про те, де краще вкладати капітал для отримання доходів.

Але що, якщо є третій варіант?

Виклик машинного навчання у фундаментальному менеджменті

Машинне навчання революціонізувало галузі і повсякденне життя. Від Google Translate до самохідних автомобілів, технології перетворюють світ так само, як і промислова революція раніше, і галузь інвестиційного менеджменту не буде імунною до цих змін. За даними дослідження Інституту CFA 2019 року, яке опитало портфельних менеджерів, лише 10% портфельних менеджерів використовували будь-який штучний інтелект або машинне навчання у своєму інвестиційному процесі.

По мірі прогресу технологій техніки машинного навчання стануть невід’ємною частиною інвестиційного менеджменту. Однак багато застосунків машинного навчання вимагають програмних знань, чужих традиційним менеджерам, які більш впевнені у своєму фундаментальному аналізі, який вони можуть проводити самостійно і мають глибше розуміння.

Враховуючи ці перепони, як фундаментальні менеджери можуть успішно адаптуватися?

Поєднання для кращого процесу: Машинальні налашки

Додавання машинальної налашки до портфеля – це лише один приклад шлюбу експертизи фундаментального інвестиційного менеджера та технологічних переваг, які пропонує штучний інтелект.

Машинальні налашки вирішують проблеми фундаментальних інвесторів, які хочуть включити технології. Вони легко застосовуються і можуть бути розгорнуті поверх традиційних інвесторів без будь-яких програмних знань. Вони забезпечують повну пояснюваність висновків машини, демонструючи, які змінні машинне навчання вважало важливими у своєму процесі прийняття рішень. Це допомагає фундаментальним менеджерам відчувати себе більш комфортно під час реалізації інтелекту в своєму процесі.

Наприклад, машинальна налашка Boosted Insights бере портфель інвестиційного менеджера і дещо змінює вагові коефіцієнти акцій. Вона не додає жодних нових позицій – а лише змінює вагові коефіцієнти (довгі або короткі) акцій у портфелі менеджера. На основі своїх висновків акції, які займають високі місця, можуть збільшити свої вагові коефіцієнти, а акції, які займають низькі місця, можуть зменшити свої вагові коефіцієнти.

У підсумку, машинальні налашки дозволяють фундаментальному інвестиційному менеджеру поєднати свою експертизу у виборі акцій з передовими фінансовими інструментами штучного інтелекту для кращих результатів.

Інвестиційний менеджер може подобатися Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix і Google (FAANG) акції і вважати, що вони пропонують хорошу продуктивність у своєму портфелі, але мають усі п’ять акцій з рівними ваговими коефіцієнтами. Додавання машинальної налашки Boosted Insights дозволяє машині змінити вагові коефіцієнти дещо – наприклад, Facebook зменшується до 18,5%, а Apple збільшується до 21,5%. Ці незначні відмінності, зберігаючи портфель інвестиційного менеджера абсолютно тим самим, можуть привести до кращих результатів щодо доходів, альфи і волатильності.

Ми виявили, що такі моделі можуть покращити портфелі, які мали високу альфу раніше, просто змінюючи вагові коефіцієнти акцій і не змінюючи їх складу. Бета залишилася сталою, оскільки базові алокації були змінені моделлю налашки.

Машинне навчання для кращих інвестицій

Машинне навчання вже зараз і буде продовжувати порушувати галузі. Інвестиційні менеджери можуть покращити свої портфельні цілі, реалізовуючи машинне навчання у своєму процесі, але таким чином, щоб воно було доповнювальним і органічним для їхнього робочого процесу. Добрим способом почати роботу з машинного навчання є реалізація машинальної налашки.