Met AI automatiseren assetmanagers het werk van analisten en ondernemen ze speurtochten naar nieuwe inzichten die rendement opleveren. Waarbij het oppassen blijft hoe om te gaan met al die data en rekenkracht. René Wijnen, kwantitatief portfoliomanager biij Achmea Investment Management: ‘Extreme rendementen uit een dataset gooien, omdat het om outliers zou gaan, kan rampzalig uitpakken.’
Elke dag komen er meer AI-gedreven toepassingen beschikbaar voor beleggingsprofessionals. Investment Officer sprak daar eerder over met ervaren quant-beleggers Gijsbert de Lange van Northern Trust Asset Management en Herman van der Sluis van PGGM.
Bij Achmea Investment Management is René Wijnen met zijn 30 jaar het jongste lid van het zeskoppige quant-aandelenteam dat zich buigt over dergelijke toepassingen. Hij combineert dat werk – net als zijn collega’s – met de ‘alledaagse’ bezigheden van een portfoliomanager. ‘Idealiter is de verdeling fifty-fifty, maar het afgelopen jaar wilden we onze onderzoekscapaciteit vergroten en daarom ging er veel tijd zitten in het schaalbaar maken van het hele proces ‘van idee tot toepassing’. Je wilt bijvoorbeeld snel extra rekenkracht kunnen bijschakelen.’
Intussen is dat project afgerond en staat de structuur er. Wijnen over de werkwijze: ‘Er is een voortdurende stroom aan ideeën, voortkomend uit congressen die we bezoeken, uit wetenschappelijke publicaties, en ook uit ons eigen onderzoek. Die inzichten houden we tegen het licht, met in ons achterhoofd de strategieën van onze klanten. We beheren ongeveer 11 miljard euro in aandelen en 2 miljard euro in commodities, grotendeels voor institutionele klanten. Dat zijn veelal geen strategieën met veel turnover, voortdurend herbalanceren of short posities. Kijken of een AI-idee past bij de kenmerken van die strategieën, dat is de eerste stap.’
‘De computer vindt de opvallende zaken in de tabellen en zoekt daar extern, uit betrouwbare bronnen, aanvullende informatie bij’
Vervolgens is een andere vraag: zelf doen of inkopen? ‘Je wilt het idee snel kunnen ontwikkelen en implementeren, maar de kosten zijn ook een aspect. Zeker als er al veel aanbod is van bepaalde tools, is het vaak niet nodig zelf te gaan ontwikkelen.’
Rapportages schrijven
Wijnen noemt als voorbeeld de AI-instrumenten om snel rapportages op te stellen, bijvoorbeeld de periodieke klantrapportages over de prestaties van de portefeuille. ‘Dat de cijfers er met een druk op de knop uitrollen, daar zijn we intussen wel aan gewend. Maar het schrijven van de duiding van die cijfers, dat is altijd nog een tijdrovende klus. We kunnen dat nu AI laten doen: de computer vindt de opvallende zaken in de tabellen en zoekt daar extern, uit betrouwbare bronnen, aanvullende informatie bij. Als bijvoorbeeld de dienstensector opvallend goed presteerde, zoekt AI daar relevante nieuwsberichten bij, zodat kan worden beschreven wat er aan de hand was.’
Helemaal automatiseren is vooralsnog een stap te ver, stelt de expert van Achmea. ‘Het team blijft altijd betrokken en controleert de analyse, scherpt die aan of specificeert die. Bijvoorbeeld: als we weten dat een klant altijd bijzonder is geïnteresseerd in de Verenigde Staten, dan vragen we de tool nog iets over die regio toe te voegen.’
De projecten die het team van Wijnen de afgelopen tijd zelf uitwerkte, betroffen meestal een combinatie van het verhogen van de efficiëntie van het beleggingsproces (vooral het analysewerk) met het uitbreiden van de zoektocht naar alfa. Zo is een idee om voor de prognoses van de winsten per aandeel een machine-learningmodel te gaan inzetten.
Anchoring bias
‘We gebruiken daarvoor nu nog de consensusniveaus van alle analisten tezamen. Maar we weten welke gegevens analisten gebruiken om tot hun schattingen te komen en al die variabelen kunnen we ook in een model stoppen.’ Waarom zou dat beter zijn? ‘Analisten zijn ook maar mensen en die kunnen een bias hebben. In dit geval is dat de huiverigheid die men kan hebben om een prognose met grote stappen te verlagen of te verhogen, de anchoring bias. Een analist die eerst een koerswinstverhouding van 10 voorspelt, nieuw onderzoek uitvoert en vervolgens op 2 uitkomt, zal veelal niet meteen die 2 publiceren. Eerder 5 of 6. Met 2 loopt hij namelijk wel erg uit de pas bij zijn vakgenoten en dat kan ten koste gaan van zijn reputatie. Een machine-learningmodel maakt zich niet druk om reputaties.’
Een ander voorbeeld is het gebruik van alternatieve data voor het verbeteren van prognoses. Tools voor de analyse van teksten (zoals de toelichtingen in jaarverslagen), audio (earnings calls) of video’s (YouTube) zijn al breed voorhanden. Achmea onderzoekt daarnaast ook andere grootheden voor alfa-signalen. ‘Zo kijken wij ook naar het eigenaarschap van aandelen. Welke partijen hebben de aandelen van een bedrijf in handen? Pensioenfondsen, hedgefondsen? En hoe herbalanceren zij dat aandelenbezit? In welke omstandigheden kopen of verkopen ze die aandelen? Misschien zitten daar wel vernieuwende signalen in.’
Kijktest
Waarbij het altijd oppassen blijft voor selffullfilling prophecies en andere denkfouten. ‘Jezelf blindstaren op de modellen is een gevaar waar je voortdurend alert op moet zijn. Het gaat dan vooral om de manier van testen. Overfitting en de look-ahead-bias zijn bekende risico’s: je vindt een prachtige combinatie, die je eigenlijk niet goed begrijpt, maar dan blijkt dat de backtest op die combinatie gedaan is op hele specifieke kennis of zelfs met de kennis van nu. Dat is zoiets als een slechtziende die naar de oogarts gaat en de kijktest uit z’n hoofd heeft geleerd. De foute conclusie is dan dat er niets mis is met zijn ogen.’
‘Als je het niet kunt uitleggen, bevat een idee waarschijnlijk ook geen positieve bijdrage’
Reden temeer, zegt Wijnen, om de mogelijke bijdragen van AI aan het beleggingsproces niet onnodig complex te maken. ‘Als je het niet kunt uitleggen, bevat een idee waarschijnlijk ook geen positieve bijdrage. Als wij een onderzoek hebben afgerond en we voeren de wijziging door, dan geven we over het algemeen een presentatie aan onze klanten daarover. Waaronder de eigen verzekeraars van Achmea en andere institutionele beleggers. Dat zijn situaties waarin je precies wil kunnen uitleggen wat je hebt gedaan en hoe dat werkt. Wat waren je keuzes? Wat waren de argumenten voor die keuzes? Je wilt elke vraag van de klant kunnen beantwoorden.’