Richard Falk-Wallace, medeoprichter en CEO van ARCANA, op AI voor financiële diensten NYC - Risicomodellering en prestaties in het tijdperk van AI / ML.

Topfondsen richten zich steeds meer op het begrijpen van unieke inzichten en idiosyncratische rendementen, los van macro-economische factoren. Deze benadering geldt zowel voor equity long-short multi-manager fondsen als voor long-only beleggers. De nadruk ligt op het ontleden van systematische componenten van het rendement uit het restrendement, met een scherp oog voor crowding tussen verschillende soorten beleggers.

Geavanceerde fondsen ontwikkelen geavanceerde methoden om inzicht te krijgen in de risico's van openbare aandelen, met behulp van blootstelling aan factoren en crowding-signalen van verschillende markten. Dit omvat een gedetailleerde analyse van crowding op een gedetailleerd niveau, waarbij de blootstelling aan specifieke beleggingstypen, zoals hedgefondsen en multi-managers, wordt onderzocht. Deze focus op crowding helpt beleggingsbeslissingen te verfijnen en risico's te beperken.

AI en machine learning (ML) bieden aanzienlijke mogelijkheden voor het verfijnen van aandelenselectie. AI kan enorme hoeveelheden ongestructureerd data verwerken, zoals investeringsmemo's, onderzoeksnotities en transcripties van vergaderingen, en deze vertalen naar gestructureerde data sets. Dit helpt bij het uitbreiden van systematisch inzicht en het beperken van discretionaire beslissingen, waardoor het algehele beleggingsproces verbetert.

De toekomst van aandelenselectie ligt in het beter scheiden van systematische en idiosyncratische risico's. AI kan helpen bij het identificeren en modelleren van deze risico's, waarbij inzichten uit ongestructureerde data en fundamentele processen worden geïntegreerd. Deze systematische aanpak kan de prestaties van aandelenselectie verbeteren door een duidelijker inzicht in de risico's.

De integratie van ongestructureerde data in het beleggingsproces omvat het vastleggen van fundamentele processen data en het begrijpen van regimeverschuivingen en thematische factoren. AI kan helpen om chaotische informatie om te zetten in een systematisch kader, wat helpt bij aandelenselectie en risicobeheer. Deze integratie vergroot het vermogen om systematische stukken te identificeren en inzichten te synthetiseren voor betere besluitvorming.

Het ontwikkelen van gebruiksvriendelijke tools en systemen is cruciaal voor het integreren van AI inzichten in het beleggingsproces. Deze tools moeten CIO's, portefeuillebeheerders, risicomanagers en analisten gemakkelijk toegang geven tot inzichten. Een gemengde aanpak die AI-gedreven inzichten combineert met traditionele methoden voor stockpicking kan het beheer van aandelen op de publieke markt aanzienlijk verbeteren.

Momenteel gebruiken maar weinig fondsen AI op een systematische manier voor aandelenselectie. AI wordt vooral gebruikt voor efficiënt zoeken en documentanalyse. De hoop is echter om raamwerken te ontwikkelen die enorme hoeveelheden beleggingsonderzoek data verwerken in coherente systemen, waarbij onderscheid wordt gemaakt tussen alfa- en bèta-inzichten. Dit vereist een robuuste infrastructuur om beleggingsonderzoek te scheiden en effectief te gebruiken.