Die wichtigsten Erkenntnisse aus der Keynote von Richard Falk-Wallace, Mitbegründer und 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 sich darauf konzentriert, institutionelle Anleger in die Lage zu versetzen, Portfoliorisiken zu verstehen und die Performance mit Hilfe ausgefeilter data Analysen zu optimieren. Er hat an der Columbia University studiert 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 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 den verschiedenen Arten von Anlegern genau im Auge behalten wird.
Auf dem neuesten Stand: erweiterte Risikoerkenntnisse und Crowding
Fortgeschrittene Fonds entwickeln ausgefeilte Methoden, um die Risiken von Publikumsaktien zu verstehen, indem sie Faktor-Exposures und Crowding-Signale von verschiedenen Märkten nutzen. Dazu gehört eine detaillierte Analyse des Crowding auf granularer Ebene, bei der Engagements gegenüber bestimmten Anlegertypen wie Hedge-Fonds und Multi-Manager untersucht werden. Diese Konzentration auf Crowding hilft, Anlageentscheidungen zu verfeinern und Risiken zu mindern.
AIRolle bei der Verbesserung der Aktienauswahl
AI und maschinelles Lernen (ML) bieten ein erhebliches Potenzial für die Verfeinerung der Aktienauswahl. AI kann riesige Mengen an unstrukturierten data, wie z. B. Investment-Memos, Research-Notizen und Sitzungsprotokolle, verarbeiten und in strukturierte data Sätze umwandeln. Dies trägt dazu bei, das systematische Verständnis zu erweitern und den Spielraum für Ermessensentscheidungen einzuschränken, wodurch der gesamte Anlageprozess verbessert wird.
Zukunftsaussichten: Systematische vs. idiosynkratische Risiken
Die Zukunft der Aktienauswahl liegt in einer besseren Trennung zwischen systematischen und idiosynkratischen Risiken. AI 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.
Unstrukturierte data und AI Integration
Die Integration von unstrukturierten data in den Anlageprozess beinhaltet die Erfassung grundlegender Prozesse data und das Verständnis von Regimeverschiebungen und thematischen Faktoren. AI kann dabei helfen, chaotische Informationen in einen systematischen Rahmen zu übersetzen, der bei der Aktienauswahl und dem Risikomanagement hilft. Diese Integration verbessert die Fähigkeit, systematische Teile zu identifizieren und Erkenntnisse für eine bessere Entscheidungsfindung zusammenzufassen.
Werkzeugbau und Systemintegration
Die Entwicklung benutzerfreundlicher Instrumente und Systeme ist entscheidend für die Integration der Erkenntnisse von AI in den Investitionsprozess. Diese Instrumente sollten CIOs, Portfoliomanagern, Risikomanagern und Analysten einen einfachen Zugang zu den Erkenntnissen ermöglichen. Ein gemischter Ansatz, der AI-gesteuerte Erkenntnisse mit traditionellen Stock-Picking-Methoden kombiniert, kann das Aktienmanagement an öffentlichen Märkten erheblich verbessern.
Praktische Anwendungen und aktuelle Nutzung
Derzeit nutzen nur wenige Fonds AI systematisch für die Aktienauswahl. AI wird hauptsächlich für eine effiziente Suche und Dokumentenanalyse verwendet. Es besteht jedoch die Hoffnung, Rahmenwerke zu entwickeln, die große Mengen von data in kohärente Systeme einbinden und zwischen Alpha- und Beta-Erkenntnissen unterscheiden. Dies erfordert eine robuste Infrastruktur, um Investment-Research zu trennen und effektiv zu nutzen.
