機構投資者正在尋找回報。機器學習覆蓋可以幫助他們找到

作者：Nicholas Abe，Boosted.ai 的共同創始人和運營總監

投資者如何在量化和基本面方法之間取得最佳平衡？通過實施機器學習覆蓋，Boosted.ai 的共同創始人和運營總監 Nick Abe 進行了闡述。基本面經理們如果不適應技術的變化和機構投資者的需求，就會錯失收益。Abe 證明了，結合他們的財務領域專業知識和最先進的人工智能工具，可以增加阿爾法和夏普比率。

投資的兩個極端——量化和基本面——近來都遇到了問題。即使是最先進的投資者也在 2020 年面臨困難，因為 COVID-19 大流行帶來的市場波動是不可預測的。

量化方法在大型資產管理公司中逐漸被采用，因為他們建立了自己的量化團隊。然而，通過現代技術獲得優勢的承諾被實施成功的機器學習的困難所抵消，主要是由於需要專業知識和開發功能性程序的高成本。

成功的量化店鋪雇用了大量的博士、數據科學家和工程師來分析大量複雜的數據——即使這樣，也有時會失敗。從數據中找到預測力是困難的，黑天鵝事件如 COVID-19 和其他政權轉變可以使數據在沒有人工監督的情況下失效。

基本面失敗

大多數人都了解基本面分析的原理——研究財務報表和融入經濟因素以做出投資決策。投資者已經練習和磨練了這種耗時的方法數十年，以實現最佳回報和風險承受能力。然而，一些人正在考慮利用現代技術，如機器學習和替代數據，來提高表現、合成信息和消除可能干擾決策過程的認知偏見。

此外，基本面的主動投資管理面臨著巨大的挑戰，從費用壓縮和技術進步到投資者情緒的轉變，偏向低成本的 ETF。

量化和基本面的方法有什麼共同點？它們都研究周圍的世界，以做出明智的資本配置決策，實現最佳回報。

但是，如果有一個第三個選擇呢？

在基本面管理中呼喚機器學習

機器學習已經革命了各個行業和日常生活。從 Google 翻譯到自駕車，技術正在以工業革命前的方式改變世界，投資管理行業也不會免受這些變化的影響。根據 2019 年 CFA 學會的一項調查，只有 10% 的投資組合經理曾經在其投資流程中使用過人工智能或機器學習。

隨著技術的進步，機器學習技術將成為投資管理的必不可少的方面。然而，許多機器學習應用需要編程知識，這對於傳統的經理們來說是陌生的，他們更自信於自己的基本面分析，可以獨立完成，並且對自己的基本面分析有更深入的理解。

面對上述障礙，基本面的經理如何成功適應？

結合以實現更好的流程：機器學習覆蓋

在投資組合中添加機器學習覆蓋只是將基本面的投資經理的專業知識和技術優勢相結合的一個例子。

機器學習覆蓋解決了基本面的投資者在嘗試整合技術時遇到的障礙。它們易於使用，可以在傳統投資者的現有投資組合上部署，不需要任何編程知識。它們提供了機器學習的完整解釋，展示了機器學習在決策中認為重要的變數。這有助於基本面的經理在其流程中實施智能時感到更加舒適。

例如，Boosted Insights 的機器學習覆蓋會將投資經理的現有投資組合進行微調。它不會添加新的持倉——而是調整現有持倉的權重（多頭或空頭）。根據其發現，排名靠前的股票可能會增加其權重，排名靠下的股票可能會減少其權重。

最終，機器學習覆蓋允許基本面的投資經理結合其股票選擇的專業知識和最先進的金融特定 AI/ML，以實現更好的結果。

一位投資經理可能喜歡 Facebook、Apple、Amazon、Netflix 和 Google（FAANG）股票，並發現它們在其投資組合中表現良好，但所有五隻股票的權重都相同。添加 Boosted Insights 的機器學習覆蓋允許機器微調權重——例如，Facebook 的權重減少到 18.5%，而 Apple 的權重增加到 21.5%。這些小的差異，在保持投資經理的投資組合完全相同的情況下，可以在回報、阿爾法和波動性方面帶來更好的結果。

我們發現，這些模型可以改善已經具有高阿爾法的投資組合，只需通過調整股票的權重，而不需要調整投資組合的組成。基準阿爾法保持不變，因為基準配置被模型覆蓋所調整。

機器學習為更好的投資

機器學習已經並將繼續破壞各個行業。投資經理可以通過在其流程中實施機器學習來增強其投資組合的目標，但必須以補充和有機的方式融入其工作流程。實施機器學習覆蓋是投資經理們開始使用機器學習技術的良好途徑。