Die wichtigsten Erkenntnisse aus der Keynote von Richard Falk-Wallace, Mitbegründer & CEO von Arcana, auf dem AI for Financial Services Summit von Artefact - 12. Juni 2024
Über Richard Falk-Wallace: Er ist CEO und Mitbegründer von Arcana, einem Unternehmen, das es institutionellen Anlegern ermöglicht, Portfoliorisiken zu verstehen und die Performance mit Hilfe ausgefeilter data-Analysen zu optimieren. Er hat einen Abschluss von der Columbia University und verfügt über umfangreiche Erfahrungen im Finanzsektor.
Über Arcana: Arcana ist ein Unternehmen, das Institutionen hilft, fundierte Entscheidungen zu treffen, indem es proprietäre data und fortschrittliche Analysetools einsetzt. Das Unternehmen kombiniert Fachwissen in den Bereichen Technologie und Hedgefonds, um hochwirksame Finanzlösungen anzubieten.
Aktuelle Praktiken bei der Risiko- und Überfüllungsanalyse
Top-Fonds konzentrieren sich zunehmend auf das Verständnis einzigartiger Erkenntnisse und idiosynkratischer Renditen, unabhängig von makroökonomischen Faktoren. Dieser Ansatz gilt sowohl für Equity Long-Short Multi-Manager-Fonds als auch für Long-Only-Anleger. Der Schwerpunkt liegt auf der Zerlegung der systematischen Komponenten der Rendite von der Restrendite, wobei das Crowding zwischen verschiedenen Arten von Anlegern im Auge behalten wird.
Auf dem neuesten Stand: erweiterte Risikoerkenntnisse und Crowding
Fortgeschrittene Fonds entwickeln ausgefeilte Methoden, um die Risiken öffentlicher Aktien zu verstehen, indem sie Faktor-Exposures und Crowding-Signale von verschiedenen Märkten nutzen. Dazu gehört auch eine detaillierte Analyse des Crowding auf granularer Ebene, bei der die Exponierung gegenüber bestimmten Anlegertypen wie Hedgefonds und Multi-Manager untersucht wird. Dieser Fokus auf Crowding hilft, Anlageentscheidungen zu verfeinern und Risiken zu minimieren.
Die Rolle der KI bei der Verbesserung der Aktienauswahl
KI und maschinelles Lernen (ML) bieten ein erhebliches Potenzial für die Verfeinerung der Aktienauswahl. KI kann riesige Mengen unstrukturierter data verarbeiten, z.B. Investment-Memos, Research-Notizen und Sitzungsprotokolle, und sie in strukturierte data-Sätze übersetzen. Dies trägt dazu bei, das systematische Verständnis zu erweitern und den Spielraum für diskretionäre Entscheidungen einzugrenzen, wodurch der gesamte Anlageprozess verbessert wird.
Zukunftsaussichten: Systematische vs. idiosynkratische Risiken
Die Zukunft der Aktienauswahl liegt darin, systematische und idiosynkratische Risiken besser voneinander zu trennen. KI kann dabei helfen, diese Risiken zu identifizieren und zu modellieren, indem Erkenntnisse aus unstrukturierten data und fundamentalen Prozessen integriert werden. Dieser systematische Ansatz kann die Performance bei der Aktienauswahl verbessern, da er ein klareres Verständnis für die damit verbundenen Risiken vermittelt.
Unstrukturiertes data und KI-Integration
Die Integration von unstrukturiertem data in den Anlageprozess beinhaltet die Erfassung von grundlegenden Prozessen data und das Verständnis von Regimeverschiebungen und thematischen Faktoren. KI kann dabei helfen, chaotische Informationen in einen systematischen Rahmen zu übersetzen und so die Aktienauswahl und das Risikomanagement zu unterstützen. Diese Integration verbessert die Fähigkeit, systematische Teile zu identifizieren und Erkenntnisse für eine bessere Entscheidungsfindung zusammenzufassen.
Werkzeuge und Systemintegration
Die Entwicklung benutzerfreundlicher Tools und Systeme ist entscheidend für die Integration von KI-Erkenntnissen in den Anlageprozess. Diese Tools sollten CIOs, Portfoliomanagern, Risikomanagern und Analysten einen einfachen Zugang zu den Erkenntnissen ermöglichen. Ein gemischter Ansatz, der KI-gestützte Erkenntnisse mit traditionellen Stock-Picking-Methoden kombiniert, kann das Aktienmanagement am öffentlichen Markt erheblich verbessern.
Praktische Anwendungen und aktuelle Nutzung
Derzeit nutzen nur wenige Fonds KI systematisch für die Aktienauswahl. KI wird hauptsächlich für eine effiziente Suche und Dokumentenanalyse verwendet. Es besteht jedoch die Hoffnung, Frameworks zu entwickeln, die riesige Mengen an Investment data in kohärente Systeme einbinden und dabei zwischen Alpha- und Beta-Erkenntnissen unterscheiden. Dies erfordert eine robuste Infrastruktur, um Investment-Research zu trennen und effektiv zu nutzen.
