機構投資者正在尋找回報，機器學習覆蓋可以幫助找到它們

由 Nicholas Abe，Boosted.ai 的共同創始人和營運長

投資者如何從量化和基本面方法中獲得最好的結果？通過實施機器學習覆蓋，Nick Abe，Boosted.ai 的共同創始人和營運長撰寫。基本面經理通過不適應變化的技術和機構投資者需求而錯失收益。Abe 證明，結合其金融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。

投資的兩個方面 – 量化和基本面 – 近來都面臨著問題。即使是最先進的投資者也在 2020 年因為 COVID-19 大流行帶來的市場波動而苦苦掙扎。

量化方法在大型資產管理公司中逐漸建立起來，因為它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卻因為實施成功的機器學習的困難而受到限制，主要是由於所需的專業知識和開發功能性程序的高成本。

成功的量化公司聘用大量的博士、數據科學家和工程師來分析大量複雜的數據 – 甚至如此，有時仍然會失敗。從數據中找到預測力量是困難的，黑天鵝事件如 COVID-19 和其他政權轉變可以在沒有人類監督的情況下使數據過時。

基本面失敗

大多數人都知道基本面分析的原則 – 研究財務報表和融入經濟因素以做出投資決策。投資者已經實踐和磨練了這種耗時的方法來提供回報數十年。然而，一些人正在溫和地使用現代技術，如機器學習和替代數據，來提高績效，合成信息，減少決策過程中的認知偏差。

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向低成本 ETF 轉變。

量化和基本面方法有什麼共同點？它們研究周圍的世界以做出明智的資本部署決策。

但是，如果有一個第三個選擇？

基本管理中對機器學習的呼籲

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，技術正在改變世界，就像工業革命之前一樣，投資管理行業也不會免受這些變化的影響。根據 2019 年 CFA 學會的一項研究，調查了投資組合經理，只有 10% 的投資組合經理在其投資流程中使用了任何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不可或缺的方面。然而，許多機器學習應用需要傳統經理不熟悉的編程知識，他們更自信地進行自己的基本面分析，並且默默地對其有更深入的理解。

給定的路障是什麼，基本經理如何成功適應？

結合以獲得更好的流程：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投資經理的專業知識和技術優勢的人工智能結合的一個例子。

機器覆蓋解決了基本投資者在整合技術時遇到的路障。它們易於使用，可以在傳統投資者的現有投資組合上部署，而無需任何編程知識。它們提供了機器的推理的完整解釋，顯示了機器學習在決策中視為重要的變量。這有助於基本經理在其流程中實施智慧時感到更舒適。

例如，Boosted Insights 機器學習覆蓋將投資經理的現有投資組合並調整股票位置權重。它不添加任何新位置 – 而是調整現有股票在經理投資組合中的權重（長或短）。根據其發現，排名高的股票可能會增加其權重，排名差的股票可能會減少其權重。

最終，機器學習覆蓋允許基本投資經理將其選股才能與最先進的金融人工智能 / 機器學習相結合，以獲得更好的結果。

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提供良好的績效，但所有五個股票的權重都相同。添加 Boosted Insights 機器學習覆蓋允許機器稍微調整權重 – 例如，Facebook 減少到 18.5%，Apple 增加到 21.5%。這些微小的差異，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，這類型的模型可以通過僅調整股票權重（而不調整組合）來提高已經具有高阿爾法的投資組合的績效。基準配置的貝塔保持不變，因為模型覆蓋調整了基準配置。

機器學習以獲得更好的投資

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目標，但以補充和有機的方式。實施機器學習覆蓋是一種很好的方式來開始使用機器學習技術。