Northern Trust Asset Management breidde recent haar quant-team fors uit, wat ook gevolgen had voor de aanpak. ‘Met de inzet van AI zijn nu ideeën te onderzoeken die voorheen praktisch onuitvoerbaar waren’, zegt ‘nieuwkomer’ Gijsbert de Lange. Lukraak zoeken is er echter niet bij. ‘Ons onderzoek begint áltijd met een economische assumptie.’
Vijf jaar lang gaf De Lange leiding aan het quant-aandelenteam van APG Asset Management, totdat de grootste klant, pensioenfonds ABP, besloot dat de beleggingen in aandelen voortaan grotendeels passief zouden worden ingevuld. Daar paste geen team bij van zo’n 25 onderzoekers, portefeuillebeheerders en IT‘ers, dat dag en nacht bezig was om met geavanceerde technieken het actief beheer van aandelenportefeuilles te vervolmaken. APG had geen andere keuze dan het team op te heffen.
Northern Trust Asset Management (NTAM) sloeg toe en haalde begin dit jaar grofweg de helft van het team binnen. De Amerikaanse assetmanager pioniert al sinds 1994 met kwantitatieve strategieën. Inclusief de nieuwkomers telt het in Chicago, Londen, Melbourne en Amsterdam gevestigde team inmiddels 63 fte’s. Het quant-platform beheert ruim 40 miljard dollar aan assets.
Gijsbert de Lange (63) is een paar maanden na zijn overstap meer dan bereid uit te leggen hoe de overgang verliep en hoe de komst van zijn team het quant-beleggen bij Northern Trust veranderde.
Northern Trust is een ander soort werkgever dan APG. Ben je heel andere dingen gaan doen?
‘In het onderzoek zijn de verschillen niet zo groot, maar qua organisatie merk je in alles dat dit een wereldwijd bedrijf is. De commerciële mogelijkheden zijn groter. We praten met Europese klanten, maar ook met klanten in het Verre Oosten, in Australië, de VS, noem maar op. Ik ben nu veel meer bezig met de verschillende manieren waarop we de resultaten van onderzoek kunnen toepassen.’
Wat is de grote lijn in dat onderzoek?
‘Met ons onderzoek verbeteren we aandelen- en fixed-incomestrategieën die gebruikmaken van factoren. Het gaat dan vooral om de factoren waarde, kwaliteit en momentum - die laatste factor noemen wij hier trouwens sentiment. De implementatie van factorstrategieën kan verschillen per assetmanager, de zogeheten proprietary implementation. Bovenop de specifieke aanpak van NTAM gebruiken de quant-teams innovatieve criteria, waarmee we heel specifiek naar alpha streven, outperformance.’
Quant-beleggen als kers op de taart?
‘Als de taart factorbeleggen is: ja. We verbeteren de implementatie van factorstrategieën verder. Met stockpicking, en ook wel met timing.’
‘Ondernemingen die goede relaties hebben met alle partijen om zich heen, vermijden op de lange termijn vaker incidenten.’
Op grond van welke criteria doe je dat dan?
‘Wij voegen twee kenmerken toe van bedrijven die waardevol zijn. Ten eerste zoeken we naar innovatieve bedrijven, ten tweede naar bedrijven die rekening houden met al hun stakeholders. De gedachte achter innovatie mag duidelijk zijn, het idee bij de tweede dimensie is dat ondernemingen die goede relaties hebben met alle partijen om zich heen, op de lange termijn vaker incidenten vermijden. En zo dus waarde toevoegen ten opzichte van bedrijven die dat slechter doen.’
Hoe stuit je op dergelijke dimensies? Data-mining?
‘Juist niet. Specifiek voor onze aanpak is dat het uitgangspunt altijd een economische assumptie is, een theoretische notie waarvan wij denken dat die hout snijdt. Vervolgens ga je die toetsen aan de data, je verifieert of de veronderstelling juist is. We werken niet andersom; lukraak zoeken naar patronen is een heilloze weg. Als een correlatie of een patroon niet kan worden beargumenteerd, kan die van vandaag op morgen zo maar vervlogen zijn. Je kunt het zien aan de stortvloed aan onderzoeksliteratuur over telkens weer nieuwe factoren en sub-factoren. Dat noemen we intussen de ‘Factor Zoo’. Enkele jaren geleden verscheen daar ook een mooi artikel over: Taming the Factor Zoo.’
Wat voegt kunstmatige intelligentie, AI, hieraan toe?
‘Voor onze tak van kwantitatief onderzoek gebruiken we naast de traditionele data en cijferreeksen, vooral alternatieve data zoals teksten. Voor de verwerking daarvan zijn twee technologieën van groot belang: Natural Language Processing - NLP - en machine learning. Met AI kunnen we die technieken beter en goedkoper inzetten. De hardware-component is namelijk fors: de kosten van rekenkracht en van data-opslag zijn enorm gedaald. Het is voor ons dus eenvoudiger geworden om onze ideeën te toetsen, bijvoorbeeld voor nieuwe selectiemodellen. AI maakt het mogelijk nu ideeën te onderzoeken die voorheen praktisch onuitvoerbaar waren. Omdat ze te veel data vroegen of te veel rekenkracht.’
‘Lukraak zoeken naar patronen is volgens ons een heilloze weg.’
Een revolutie?
‘Voor quant-beleggers zou ik AI eerder een evolutie noemen. We begonnen met een spreadsheet op een pc, we stapten over naar een eigen bedrijfsserver en nu doen we alles in de cloud, met toegang tot gigantische datacentra. Maar de principes van ons werk veranderen niet. Je zoekt naar patronen en relaties in nieuwe data, waardoor je een steeds fijnmaziger selectie kunt maken in portefeuilles.’
‘Afgezien daarvan: dit neemt natuurlijk een enorme vlucht en voor belangrijke onderdelen van ons werk is de huidige explosie aan data en rekenkracht wel degelijk van wezenlijk belang. Bij het bouwen van netwerken bijvoorbeeld. Wij brengen dan van een bedrijf de relaties met andere bedrijven in kaart. Met concurrenten bijvoorbeeld, of met klanten en leveranciers, andere ketenpartners. Maar er is ook een netwerk te maken van bedrijven die bijvoorbeeld dezelfde software gebruiken. Of dezelfde patenten. Of van bedrijven met een vergelijkbaar business model. Die kunnen dan in totaal andere sectoren actief zijn, maar zijn dan wel gevoelig voor dezelfde risicofactoren. Als je de waardering van die ondernemingen met elkaar vergelijkt, kan dat tot aardige verrassingen leiden. Maar het punt is: om die netwerken te bouwen moet je gigantische hoeveelheden data verwerken. En daarbij zetten we nu steeds vaker en meer AI-technieken in.’
´Heel veel van wat wij doen is eigenlijk heel saai.´
Wordt quant-beleggen daar ook makkelijker van?
‘Ik zou willen stellen van niet. Want voor dit type onderzoek geldt nog steeds dat een groot deel van de toegevoegde waarde zit in de manier waarop je het uitvoert. Doe je het allemaal goed? Doe je het precies, vergeet je niks, sla je niks over? Heel veel van wat wij doen is eigenlijk heel saai. Je moet minutieus elk detail aandacht geven. Zo wil je bijvoorbeeld elk risico waarvoor je als belegger niet wordt beloond uit het model halen. Dat is een heel precies karwei. Of je wil een backtest doen met een model. Maar hoe zet je eigenlijk een goede backtest op? Een enorme klus om dat goed voor elkaar te krijgen. Dat is een heel belangrijk aspect van ons onderzoek, maar niet spannend. Het is gewoon het vakmanschap dat je moet laten zien bij de uitvoering.’