![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
De opkomst van AI heeft uiteraard impact gehad op verschillende industrieën, en de financiële industrie is een van de industrieën die het meest is getroffen . Bijvoorbeeld, de publieke lancering van modellen zoals GPT-3.5 vorig jaar heeft de interesse in het gebruik van AI vergroot om de vaardigheden van fondsbeheerders op het gebied van analyse, risicomanagement en besluitvorming te vergroten.
Daarom worden AI-tools geïmplementeerd om marktbeoordelingen nauwkeuriger te maken en risico's effectiever te beheren. Van portefeuillebeheerders wordt verwacht dat ze een duidelijkere beoordeling maken van de marktbewegingen, de juiste investeringskeuzes beperken en risico's beheren wanneer ze machine learning-algoritmen, natuurlijke taalverwerking en kunstmatige intelligentietools toepassen in hun handel.
Door algoritmen voor machinaal leren en hulpmiddelen voor natuurlijke taalverwerking te integreren in de handelsstrategieën van belangrijke spelers, kunnen zij de efficiëntie van deze processen vergroten en een concurrentievoordeel behalen met snellere en nauwkeurigere investeringsbeslissingen en voorspellende analyses.
In de afgelopen decennia is AI geïmplementeerd in verschillende sectoren van de financiële sector. In de backoffice worden ML-algoritmen gebruikt om anomalieën in uitvoeringslogboeken te vinden, verdachte transacties te detecteren en risico's te beheren, wat leidt tot meer efficiëntie en beveiliging. In de frontoffice helpt AI om klanten te segmenteren, klantondersteuningsprocessen te automatiseren en derivatenprijzen te optimaliseren.
Het meest intrigerende deel ervan zijn echter de AI-mogelijkheden voor de buy-side van financiën: het identificeren van voorspellende signalen te midden van marktruis door zo snel mogelijk grote hoeveelheden data te analyseren. Zulke toepassingen kunnen bijvoorbeeld tijdreeksvoorspellingen, segmentering van markten en natuurlijk het beheren van activaportefeuilles omvatten. De mogelijkheden van AI om enorme datasets te verwerken en analyseren, helpen om subtiele patronen te vinden die traditionele methoden waarschijnlijk zullen missen.
Portfolio-optimalisatie is al tientallen jaren een gangbare praktijk en heeft zich aanzienlijk ontwikkeld onder de ontwikkeling van datawetenschap en de implementatie van geavanceerde computationele technieken. Klassieke benaderingen, zoals Markowitz's Modern Portfolio Theory (1952) en Capital Asset Pricing Model (1964) werden meer dan 50 jaar geleden geïntroduceerd, maar zijn nog steeds relevant. Hun beperkingen in het omgaan met niet-lineair risico en afhankelijkheid van historische gegevens worden echter met de dag duidelijker.
Praktijken zoals risicomodellering, scenario-analyse en kwantitatieve handel, die op grote schaal worden geïmplementeerd door belangrijke spelers, zoals Renaissance Technologies, DE Shaw en Two Sigma Investments, hebben geleid tot de implementatie van complexere en geavanceerdere algoritmen. Bovendien is de sector de afgelopen jaren sterk beïnvloed door AI, aangezien machine learning en kunstmatige intelligentie voorspellende analyses nauwkeuriger hebben gemaakt en hetzelfde hebben gedaan met gepersonaliseerde beleggingsstrategieën en geautomatiseerde complexe besluitvormingsprocessen.
Dankzij deze AI-gestuurde transformatie kunnen vermogensbeheerders enorme hoeveelheden data in realtime verwerken en de drie grootste uitdagingen oplossen:
Volgens
Toenemende acceptatie en investeringen in op AI gebaseerde vermogensbeheeroplossingen en het benadrukken van het praktische gebruik van AI bij portefeuille-optimalisatie.
De acceptatie van AI binnen de vermogensbeheersector is geen nieuwe trend. De afgelopen jaren is er sprake geweest van groei, maar de toepassing ervan is nog steeds beperkt tot een klein aantal marktspelers, namelijk hedgefondsen, kwantitatieve managementkantoren, grote onderzoeksafdelingen en financiële instellingen die gebruikmaken van IT-diensten.
Er zijn al veel toepassingsgebieden voor AI:
AI verbetert het proces van optimalisatie van portefeuilleconstructie aanzienlijk. Zo dient de klassieke benadering van Markowitz's Modern Portfolio Theory, die gebaseerd is op convexe optimalisatieconcepten, als voorloper van hedendaagse AI-gestuurde methodologieën. De reden dat deze fundamentele theorie zo cruciaal is, is dat het de basis vormt van waaruit AI-algoritmen beleggingsstrategieën verder kunnen veranderen en verfijnen.
Tegenwoordig bouwt AI voort op deze theorie door nieuwe dimensies van data te verkennen en geavanceerde analytische technieken te integreren. Deze uitgebreide datacapaciteit zorgt voor meer genuanceerde en geïnformeerde besluitvorming - een praktijk die op grote schaal in de industrie wordt gebruikt.
Bepaalde AI-technieken zijn perfect compatibel met kwantitatief management, waarbij grote hoeveelheden data over bedrijfsfundamenten, de macro-economische omgeving of marktomstandigheden worden gebruikt. Machine learning-algoritmen kunnen complexe niet-lineaire relaties tussen verschillende variabelen vinden en natuurlijk trends detecteren die analisten niet kunnen.
Tekstuele analyse is een andere toepassing van AI in fundamentele analyse. Met behulp van natuurlijke taalverwerking (NLP) verwerkt en analyseert AI tekstuele bronnen zoals bedrijfsresultaten, persberichten van centrale banken en financieel nieuws. Via NLP kan AI economisch en financieel belangrijke informatie uit deze ongestructureerde data halen. Door dit te doen, biedt het een kwantitatieve en systematische meting die menselijke interpretaties verbetert en helpt.
De krachten van AI zijn extreem nuttig in de handel, waar de complexiteit van transacties en de behoefte aan snelheid in evenwicht zijn. AI ondersteunt algoritmische handel door veel fasen van het proces te automatiseren, waardoor de efficiëntie van transacties die op financiële markten worden beheerd, wordt verbeterd.
AI heeft een kans geopend voor een breder aanbod van gepersonaliseerde beleggingsadviesdiensten tegen lagere kosten. Deze systemen gebruiken complexe algoritmen om realtime marktgegevens te verwerken en komen zo met de meest geschikte strategieën voor de behoeften van individuele klanten op basis van hun rendementsdoelstellingen en risicoprofielen.
Bij risicomanagement helpt AI door verschillende 'waarschijnlijke maar ongewenste' scenario's te modelleren. Deze scenario's verbeteren op hun beurt de traditionele praktijken die zich alleen richten op grotendeels waarschijnlijke uitkomsten.
Klassieke Machine Learning-methoden zijn nog steeds erg populair in Portfolio Management, en dat zijn: Lineaire modellen, inclusief Ordinary Least Squares, Ridge Regression en Lasso Regression. Deze worden vaak gecombineerd met de Mean-Variance Optimization-procedure en matrix-decompositietechnieken zoals Singular Value Decomposition (SVD) en Principal Component Analysis (PCA), die fundamenteel zijn voor het begrijpen van activa-relaties en het optimaliseren van portefeuille-allocaties.
Tussen deze klassieke benaderingen en modernere methoden bevinden zich Support Vector Machines (SVM's). Hoewel SVM's in de praktijk worden gebruikt, worden ze niet zo vaak ingezet, maar spelen ze een belangrijke rol, met name bij classificatietaken die gericht zijn op het voorspellen van de prestaties van aandelen.
Tot deze taken behoort doorgaans het voorspellen of een aandeel winst of verlies zal maken. Hiervoor wordt gebruikgemaakt van historische financiële gegevens, zoals schommelingen in de aandelenkoers en handelsvolumes. Op basis hiervan worden activa in categorieën ingedeeld en wordt hun prestatie voorspeld.
Als we het over modernere methoden hebben, laten neurale netwerken grote vooruitgang zien in machine learning voor portfoliobeheer en bieden ze verbeterde mogelijkheden voor het modelleren van complexe niet-lineaire patronen die moeilijk te vangen zijn met traditionele modellen. Naast neurale netwerken verbeteren en verfijnen andere klassieke benaderingen zoals supervised en unsupervised learning de data-analyse verder, waardoor de ontdekking en exploitatie van subtiele marktsignalen mogelijk wordt.
Nieuwere benaderingen, zoals Reinforcement Learning en Deep Q-Learning, brengen deze kwaliteiten in omgevingen waar snel beslissingen worden genomen. Hierin kunnen portefeuilles in realtime worden aangepast om financiële resultaten te optimaliseren op basis van het systeem dat leert van feedback uit de markt.
Natural Language Processing-technieken zoals sentimentanalyse kunnen helpen bij het selecteren van algemene meningen uit zaken als krantenartikelen, berichten op sociale media en analistenrapporten. Daarnaast kunnen portefeuillebeheerders ook de taal analyseren die in financiële media wordt gebruikt, waaronder winstrapporten van bedrijven, om het sentiment van beleggers te peilen en marktbewegingen te voorspellen, wat allemaal cruciale informatie is in het besluitvormingsproces.
Bedrijven die gespecialiseerd zijn in high-frequency trading (HFT), zoals bedrijven die gebruikmaken van AI-aangedreven kwantitatieve handelsalgoritmen, verdienen geld aan inefficiënties die zich slechts een moment voordoen op de markt. Deze bedrijven gebruiken machine learning-technologieën om relevante marktinformatie met extreem hoge snelheden te analyseren en orders te plaatsen met nauwkeurige timing voor slechts een milliseconde.
Een dergelijke snelle uitvoering stelt hen in staat om te profiteren van arbitragemogelijkheden en winsten te maximaliseren door sneller actie te ondernemen op prijsverschillen dan concurrenten. Hoewel Renaissance Technologies bekend staat om zijn kwantitatieve handelsbenaderingen, is het belangrijk om zijn bredere strategie in gedachten te houden die verschillende houdperiodes omvat van traditionele HFT-praktijken, die voornamelijk gericht zijn op snelheid.
LIME (Local Interpretable Model-agnostic Explanations) is een prominente XAI-methode die wordt gebruikt om de outputs van complexe machine learning-modellen begrijpelijker te maken. In portfoliomanagement kan deze methode zeer waardevol zijn voor het interpreteren van hoe black-box-modellen voorspellingen doen. Door inputdata te gebruiken en de impact op modeloutputs te analyseren, helpt LIME portfoliomanagers en datawetenschappers te definiëren welke features beleggingsbeslissingen meer beïnvloeden dan andere.
Dit proces helpt de transparantie van AI-versterkte beslissingen te verbeteren en ondersteunt inspanningen om te verifiëren en verbeteren hoe gemakkelijk deze modellen te begrijpen zijn. Hoewel LIME ons begrip van modelgedrag verbetert, vereist het beoordelen van de algehele betrouwbaarheid van de modellen aanvullende validatietechnieken.
AI-technologie speelt een belangrijke rol bij het waarborgen van naleving van regelgevingskaders en het monitoren van investeringsbeperkingen binnen de financiële sector. Door deze processen te automatiseren, helpen AI-systemen financiële bedrijven zich efficiënter en nauwkeuriger aan wettelijke normen te houden en niet in de problemen te komen. Deze technologie is zeer waardevol bij het monitoren van naleving van grote volumes transacties en diverse portefeuille-activiteiten, waarbij het snel (in feite direct) afwijkingen van wettelijke vereisten of interne richtlijnen kan identificeren.
Bovendien minimaliseert het gebruik van AI het risico op menselijke fouten, wat cruciaal is in regelgevingsomgevingen met hoge eisen, waar fouten juridische en financiële gevolgen kunnen hebben.
AI-toepassingen in geautomatiseerde herverdeling zijn cruciaal voor het behouden van de ideale vermogensallocaties in de loop van de tijd. Ze kunnen portefeuilles aanpassen als reactie op marktveranderingen of verschuivingen in het risicoprofiel van een belegger, wat zorgt voor afstemming op strategische beleggingsdoelen.
Naast toepassingen die specifiek zijn ontworpen voor investeringen, lijkt het potentieel voor de ontwikkeling van kunstmatige intelligentie binnen de vermogensbeheersector uitgebreid. Ondanks het feit dat we instinctief de mogelijkheid zien om specifieke taken in verschillende stadia van de operationele keten te automatiseren, is het echter nog steeds moeilijk om de ontwrichtende kracht van kunstmatige intelligentie volledig te voorzien. Dit komt omdat AI naar verwachting nieuwe sectoren van toepassing zal opleveren naarmate er meer ontwikkelingen worden ontwikkeld.
We moeten ons bewust zijn van de beperkingen van kunstmatige intelligentie en de gevaren die het met zich meebrengt voor sommige aspecten van portefeuillebeheer, ondanks het feit dat het technologische vooruitgang en productiviteitswinst mogelijk heeft gemaakt met behulp van kunstmatige intelligentie. In de eerste plaats vertrouwen kunstmatige intelligentie en machine learning-benaderingen op gegevens die worden gebruikt om de leeralgoritmen te voeden.
Het is noodzakelijk dat deze gegevens van hoge kwaliteit zijn wat betreft actualiteit, nauwkeurigheid, volledigheid en representativiteit.
Naast de vereiste van een zeer groot volume aan data, dat niet altijd beschikbaar is, is het zo dat deze data van goede kwaliteit moeten zijn. In elk ander geval zijn de bevindingen die worden verkregen met behulp van voorspellende modellen niet betrouwbaar of veerkrachtig.
Bovendien kunnen de algoritmen ook valse aannames doen door irrelevante trends uit de geanalyseerde dataset te pikken, wat kan leiden tot foutieve conclusies. Dit kan resulteren in grove schaal grijpen, sprongen die te scherp zijn en de kleinst mogelijke crashes. Verlies van marktconcurrentie kan optreden doordat veel marktdeelnemers die dezelfde AI-algoritmen beheren, tegelijkertijd de verkeerde beslissing kunnen nemen of op een vergelijkbare manier kunnen reageren op een realtime-omstandigheid. Een dergelijk risico kan fataal zijn.
Ondanks de potentiële voordelen van AI in portefeuillebeheer, zoals in elk gebied, zijn er tal van uitdagingen waar we rekening mee moeten houden en die we uiteindelijk moeten aanpakken. Een van de grootste problemen is het mogelijke gebrek aan transparantie en interpretatieproblemen van AI-modellen, waardoor het voor managers lastig kan zijn om de resultaten van hun samenwerking met AI uit te leggen. Deze complexiteit van het gebruik kan een van de redenen zijn waarom de adoptie van AI in Europese fondsen relatief laag is. Vanaf september 2022,
De Europese Autoriteit voor Financiële Markten (ESMA)
Op dit moment lijkt het erop dat kunstmatige intelligentie nog ver verwijderd is van het volledig vervangen van echte mensen in de vermogensbeheerindustrie. Dat gezegd hebbende, transparantie, een vertrouwensrelatie en contact tussen cliënten en managementexperts blijven cruciale kenmerken, nu meer dan ooit.
Toch kunnen we niet ontkennen dat kunstmatige intelligentie nieuwe en interessante hulpmiddelen met zich meebrengt die in de waardeketen kunnen worden ingezet. Het potentieel van deze hulpmiddelen zou de huidige kijk op de sector echt kunnen veranderen.