Інституційні інвестори шукають прибуток. Машинарні налашки можуть допомогти їх знайти

Від Ніколаса Абе, співзасновника та операційного директора Boosted.ai

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

Обидві сторони інвестиційного спектру – кількісна та фундаментальна – мали проблеми останнім часом. Навіть найсофістикованіші інвестори боролися у 2020 році через непередбачувану волатильність, яку пандемія COVID-19 принесла на ринок.

Кількісний підхід повільно будується у великих менеджерах активів, оскільки вони створюють свої власні кількісні команди. Однак обіцянка мати перевагу від сучасних технологій зустрілася з труднощами реалізації успішного машинного навчання на практиці, в основному через необхідність спеціалізованих знань та високої вартості розробки функціонуючої програми.

Успішні кількісні магазини займають велику кількість докторів філософії, вчених-даних та інженерів, щоб зрозуміти великі обсяги 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 та інші зміни режиму, можуть зробити ці дані застарілими без людського нагляду.

Фундаментальні провали

Більшість людей знають про принципи фундаментального аналізу – вивчення фінансових звітів та включення економічних факторів для прийняття рішень про те, де інвестори повинні інвестувати для отримання найкращих прибутків, враховуючи цілі та ризик. Інвестори практикували та вдосконалювали цей часоємний підхід до отримання прибутків протягом десятиліть. Деякі, однак, починають використовувати сучасні технології, такі як машинне навчання та альтернативні дані, для поліпшення результатів, синтезу інформації за менший час та обмеження будь-яких когнітивних упереджень, які можуть втрутитися в процес прийняття рішень.

Крім того, фундаментальне активне інвестиційне управління стикається з величезними викликами, починаючи від стиснення комісій та технологічних досягнень і закінчуючи зміною інвесторського настрою щодо низькозатратних ETF.

Що спільного мають кількісні та фундаментальні підходи? Вони вивчають світ навколо себе, щоб приймати обґрунтовані рішення про те, де найкраще вкладати капітал для отримання прибутків.

Але що, якщо є третій варіант?

Виклик машинного навчання у фундаментальному менеджменті

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

За medida, що технології продовжують розвиватися, техніки машинного навчання стануть невід’ємною частиною інвестиційного менеджменту. Однак багато застосувань машинного навчання вимагають програмних знань, чужих традиційним менеджерам, які більш впевнені у своєму фундаментальному аналізі, який вони можуть робити самостійно та мають глибше розуміння.

Враховуючи вищезазначені перешкоди, як фундаментальні менеджери можуть успішно адаптуватися?

Поєднання для кращого процесу: машинні налашки

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

Машинні налашки розв’язують проблему фундаментальних інвесторів, які бажають включити технології. Вони легкі у використанні та можуть бути розгорнуті поверх існуючих портфелів традиційних інвесторів без необхідності 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, машинна налашка Boosted Insights приймає існуючий портфель інвестиційного менеджера та дещо коригує ваги акцій. Вона не додає жодних нових позицій – а лише коригує ваги (довгі чи короткі) акцій у портфелі менеджера. На основі своїх висновків акції, які мають високу оцінку, можуть збільшити свої ваги, а акції, які мають низьку оцінку, можуть зменшити свої ваги.

У підсумку, машинні налашки дозволяють фундаментальному інвестиційному менеджеру поєднати свій талант до вибору акцій з передовими, фінансово-специфічними інструментами штучного інтелекту/машинного навчання для кращих результатів.

Інвестиційний менеджер може подобатися Facebook, Apple, Amazon, Netflix та Google (FAANG) акції та вважати, що вони пропонують добру продуктивність у своєму портфелі, але мають усі п’ять акцій з рівними вагами. Додавання машинної налашки Boosted Insights дозволяє машині дещо коригувати ваги – наприклад, Facebook зменшується до 18,5%, а Apple збільшується до 21,5%. Ці незначні відмінності, зберігаючи портфель інвестиційного менеджера абсолютно тим самим, можуть призвести до кращих результатів щодо прибутку, альфи та волатильності.

Ми виявили, що такі моделі здатні покращити портфелі, які мали високу альфу раніше, лише коригуючи ваги акцій та не змінюючи їх складу. Бета залишалася сталою, оскільки базові алокації коригувалися моделлю налашки.

Машинне навчання для кращих інвестицій

Машинне навчання вже змінило галузі та продовжить це робити. Інвестиційні менеджери можуть покращити свої портфельні цілі, реалізовуючи машинне навчання у своєму процесі, але тим способом, який є доповнювальним та органічним до їхнього робочого процесу. Добрим способом почати роботу з машинним навчанням є реалізація машинної налашки.