Nhà đầu tư tổ chức đang tìm kiếm lợi nhuận. Máy phủ lớp có thể giúp họ tìm thấy

By Nicholas Abe, đồng sáng lập & COO của Boosted.ai

Làm thế nào nhà đầu tư có thể tận dụng được lợi thế của cả hai phương pháp định lượng và cơ bản? Bằng cách triển khai phủ lớp học máy, viết Nick Abe, đồng sáng lập và Giám đốc vận hành của Boosted.ai. Các nhà quản lý cơ bản đang bỏ lỡ lợi nhuận bằng cách không thích nghi với công nghệ và nhu cầu của nhà đầu tư tổ chức đang thay đổi. Abe chứng minh rằng việc kết hợp chuyên môn tài chính của họ với các công cụ trí tuệ nhân tạo tiên tiến có thể tăng alpha và Sharpe.

Cả hai bên của phổ đầu tư – định lượng và cơ bản – đã gặp vấn đề gần đây. Ngay cả những nhà đầu tư tinh vi nhất cũng gặp khó khăn vào năm 2020 do sự biến động không lường trước được mà đại dịch COVID-19 mang lại cho thị trường.

Phương pháp định lượng đã được xây dựng dần dần trong các nhà quản lý tài sản lớn khi họ tạo ra các đội định lượng của riêng mình. Tuy nhiên, lời hứa về việc có lợi thế từ công nghệ hiện đại đã gặp phải khó khăn trong việc đưa học máy thành công vào thực tiễn, chủ yếu do chuyên môn yêu cầu và chi phí cao của việc phát triển một chương trình hoạt động.

Các cửa hàng định lượng thành công sử dụng hàng loạt các tiến sĩ, nhà khoa học dữ liệu và kỹ sư để hiểu được lượng dữ liệu phức tạp lớn – và thậm chí đôi khi thất bại. Tìm kiếm sức mạnh dự đoán từ dữ liệu là khó, và các sự kiện đen swan như COVID-19 và các sự thay đổi chế độ khác có thể làm cho dữ liệu trở nên lỗi thời mà không có sự giám sát của con người.

Thất bại của Cơ bản

Hầu hết mọi người đều biết về các nguyên tắc của phân tích cơ bản – nghiên cứu các báo cáo tài chính và kết hợp các yếu tố kinh tế để đưa ra quyết định về nơi đầu tư để có lợi nhuận tốt nhất cho mục tiêu và khẩu vị rủi ro. Nhà đầu tư đã thực hành và hoàn thiện phương pháp này trong nhiều thập kỷ. Tuy nhiên, một số người đang dần tận dụng công nghệ hiện đại như học máy và dữ liệu thay thế để cải thiện hiệu suất, tổng hợp thông tin trong thời gian ngắn hơn và giảm thiểu các偏见 nhận thức có thể can thiệp vào quá trình ra quyết định.

Hơn nữa, quản lý đầu tư cơ bản đang phải đối mặt với những thách thức khổng lồ, từ việc nén phí và tiến bộ công nghệ đến sự thay đổi trong quan điểm của nhà đầu tư về các quỹ ETF chi phí thấp.

Cả hai phương pháp định lượng và cơ bản có điểm chung là gì? Họ nghiên cứu thế giới xung quanh để đưa ra quyết định thông minh về nơi phân bổ vốn để có lợi nhuận.

Nhưng nếu có một lựa chọn thứ ba?

Đề xuất Học máy trong Quản lý Cơ bản

Học máy đã cách mạng hóa các ngành công nghiệp và cuộc sống hàng ngày. Từ Google Translate đến xe tự lái, công nghệ đang thay đổi thế giới giống như cuộc cách mạng công nghiệp trước đó, và ngành quản lý đầu tư sẽ không bị miễn nhiễm với những thay đổi này. Theo một nghiên cứu năm 2019 của Viện CFA đã khảo sát các nhà quản lý danh mục, chỉ 10% nhà quản lý danh mục đã sử dụng trí tuệ nhân tạo hoặc học máy trong quá trình đầu tư của họ.

Khi công nghệ tiếp tục tiến bộ, các kỹ thuật học máy sẽ trở thành một khía cạnh không thể thương lượng của quản lý đầu tư. Tuy nhiên, nhiều ứng dụng học máy yêu cầu kiến thức lập trình không quen thuộc với các nhà quản lý truyền thống, những người tự tin hơn vào phân tích cơ bản của riêng họ, điều mà họ có thể thực hiện một mình và có hiểu biết sâu sắc hơn.

Đưa ra những chướng ngại vật trên, làm thế nào các nhà quản lý cơ bản có thể thích nghi thành công?

Kết hợp để có một Quá trình tốt hơn: Phủ lớp Học máy

Thêm một phủ lớp học máy vào danh mục đầu tư chỉ là một ví dụ về sự kết hợp giữa chuyên môn của nhà quản lý đầu tư cơ bản và lợi thế công nghệ mà AI có thể cung cấp.

Phủ lớp máy giải quyết các chướng ngại vật của các nhà đầu tư cơ bản đang tìm cách tích hợp công nghệ. Chúng dễ sử dụng và có thể được triển khai trên danh mục đầu tư hiện có của các nhà đầu tư truyền thống mà không cần kiến thức lập trình. Chúng cung cấp khả năng giải thích đầy đủ về lý do của máy,展示 những biến số mà máy học xem là quan trọng trong quá trình ra quyết định của nó. Điều này giúp các nhà quản lý cơ bản cảm thấy thoải mái hơn khi triển khai trí tuệ trong quy trình của họ.

Ví dụ, một phủ lớp học máy Boosted Insights lấy danh mục đầu tư hiện có của nhà quản lý đầu tư và điều chỉnh nhẹ trọng số vị trí cổ phiếu. Nó không thêm bất kỳ vị trí mới nào – thay vào đó, nó điều chỉnh trọng số (long hoặc short) của cổ phiếu trong danh mục đầu tư hiện có của nhà quản lý. Dựa trên phát hiện của nó, cổ phiếu được xếp hạng cao có thể có trọng số tăng và cổ phiếu được xếp hạng thấp có thể có trọng số giảm.

Cuối cùng, phủ lớp học máy cho phép nhà quản lý đầu tư cơ bản kết hợp chuyên môn chọn cổ phiếu của họ với công nghệ AI/ML tiên tiến, chuyên về tài chính để có kết quả tốt hơn.

Một nhà quản lý đầu tư có thể thích cổ phiếu Facebook, Apple, Amazon, Netflix và Google (FAANG) và tìm thấy rằng chúng cung cấp hiệu suất tốt trong danh mục đầu tư của họ nhưng có tất cả năm cổ phiếu với trọng số bằng nhau. Việc thêm phủ lớp học máy Boosted Insights cho phép máy điều chỉnh trọng số nhẹ – ví dụ, Facebook giảm xuống 18,5% và Apple tăng lên 21,5%. Những sự khác biệt nhỏ này, trong khi giữ danh mục đầu tư của nhà quản lý đầu tư vẫn chính xác, có thể dẫn đến kết quả tốt hơn về lợi nhuận, alpha và biến động.

Chúng tôi đã tìm thấy rằng những loại mô hình này có thể cải thiện danh mục đầu tư đã có alpha cao chỉ bằng cách điều chỉnh trọng số của cổ phiếu và không cần điều chỉnh thành phần. Beta vẫn nhất quán khi phân bổ cơ bản được điều chỉnh bởi mô hình phủ lớp.

Học máy cho đầu tư tốt hơn

Học máy đã và sẽ tiếp tục làm gián đoạn các ngành công nghiệp. Các nhà quản lý đầu tư có thể nâng cao mục tiêu danh mục đầu tư của họ bằng cách triển khai học máy vào quy trình của họ, nhưng theo cách bổ sung và tự nhiên cho quy trình làm việc của họ. Một cách tốt để bắt đầu với các kỹ thuật học máy là triển khai một phủ lớp học máy.