Machine learning wordt steeds vaker ingezet om inefficiënties in small- en midcapmarkten te vinden. Maar als meer beleggers dezelfde technologie gebruiken, kan het juist moeilijker worden om alpha te genereren.
Sinds de invoering van MiFID II in 2018 is de analistendekking van small- en midcaps afgenomen, waardoor inefficiënties in dat segment zijn toegenomen. Juist in die minder efficiënte delen van de markt zien beleggers kansen voor technologiegedreven strategieën.
Veel smallcapbeleggers maken inmiddels gebruik van AI of machine learning (ML) om kansen te identificeren en investeringsbeslissingen van portefeuillebeheerders te ondersteunen. Onder meer Invesco, DPAM en Robeco zetten de technologie in om grotere hoeveelheden data te analyseren en zo sneller kansrijke smallcaps te vinden binnen de bestaande quantstrategieën.
‘We kunnen meer doen met hetzelfde team’, zegt fondsbeheerder Michel Bourgon van DPAM in gesprek met Investment Officer.
Bij Robeco wordt machine learning gebruikt om dynamisch te bepalen welke kenmerken van belang zijn voor afzonderlijke aandelen. Op basis daarvan selecteert het model smallcaps die vervolgens kunnen worden opgenomen in de onlangs gelanceerde NextGen Global Small Cap ETF. ‘Het ML-model ziet non-lineaire dynamieken die met het menselijke oog snel te missen zijn’, zegt Mike Chen, hoofd van het Next Generation Quant-team bij Robeco.
Volgens Nick King, hoofd ETF’s bij Robeco, dragen dergelijke tools er uiteindelijk aan bij dat markten efficiënter worden. ‘Door inefficiënties te exploiteren, maken deze modellen de markt efficiënter.’
Ook Bourgon ziet dat effect. ‘Beleggers kunnen beter geïnformeerde beslissingen nemen.’ Tegelijk denkt hij dat het nog jaren kan duren voordat inefficiënties in small- en midcaps daadwerkelijk merkbaar afnemen.
Rendement halen in efficiënte markt
Een efficiëntere markt kan het voor actieve beleggers lastiger maken om alpha te genereren. Zodra technologie breder beschikbaar wordt, neemt de concurrentie doorgaans toe. ‘Omdat er dan nieuwe partijen op springen’, zegt Chen.
Bourgon verwacht dat het niet zo’n vaart zal lopen . ‘Er is nu relatief weinig concurrentie in small- en midcaps. Veel beleggers blijven zich richten op largecaps. Om inefficiënties echt te laten verdwijnen, moeten aanzienlijk meer fondsen zich op smallcaps richten. Dat zie ik voorlopig nog niet gebeuren.’
Volgens Viorel Roscovan, researchdirector bij Invesco, is het nog te vroeg om te zeggen in hoeverre AI de inefficiënties in de markt structureel kan verminderen, omdat marktregimes veranderen en de implementatieproblemen het beeld kunnen overheersen. Daarbij wijst hij op de marktomstandigheden waarin veel modellen zijn getest.
Invloed van regime en datakwaliteit
In de jaren na de financiële crisis was de volatiliteit op financiële markten lange tijd relatief laag en de liquiditeit hoog. Door ruim monetair beleid stonden risicopremies onder druk, waardoor beleggers meer risico namen om rendement te behalen. ‘Juist in die periode van lage volatiliteit werd machine learning populair in assetmanagement’, zegt Roscovan. ‘In zo’n regime kunnen modellen stabieler lijken dan ze in werkelijkheid zijn en dat wordt duidelijk als volatiliteit en macro-onzekerheid terugkeren.’
Sinds de coronacrisis is de volatiliteit hoger en de macro-economische onzekerheid groter. Daardoor is het volgens hem lastig een onderscheid te maken tussen echt structurele veranderingen in inefficiënties en veranderende marktomstandigheden en risicopremies.
Daarnaast zijn er praktische beperkingen. Machine-learningmodellen bewegen volgens Roscovan vaak meer richting momentumachtig gedrag. Momentumstrategieën kennen doorgaans een hoge turnover, wat problematisch kan zijn in illiquide markten zoals smallcaps. ‘Daardoor zien backtests er vaak veel beter uit dan wat de handel in de echte wereld laat zien.’
Ook kan de technologie patronen identificeren die in werkelijkheid niet bestaan. ‘Er zit nog veel ruis in de data’, zegt Roscovan. ‘Het vergt uitgebreide beoordeling en menselijk toezicht om echte alphasignalen te onderscheiden van schijnresultaten.’
Mens blijft onmisbaar
Volgens de experts blijft menselijk oordeel daarom cruciaal bij het gebruik van AI in beleggingsprocessen. ‘We besteden het identificeren van rendementsdrijvers uit aan de machine, maar niet de verantwoordelijkheid’, zegt Chen. King benadrukt dat er altijd mensen nodig zijn die de technologie begrijpen en controleren.
Voor assetmanagers was het begrip van de technologie lange tijd ook een obstakel. Robeco heeft het model meerdere jaren heeft getest en verfijnd met eigen kapitaal, voor de bouw van de NextGen Global Small Cap ETF , om er zeker van te zijn dat ze de besluitvorming van de machine volledig konden begrijpen en uitleggen. Chen: ‘In die tijd is de technologie van een black box naar een glass box gegaan.’
Roscovan vindt het daarom noodzakelijk dat er voorzichtig wordt omgesprongen met machine learning. ‘De vraag is niet of we ML moeten gebruiken, maar hoe we het implementeren zodat er robuuste, bruikbare en betrouwbare modellen ontstaan.’
Mocht AI uiteindelijk leiden tot een efficiëntere smallcapmarkt, waardoor alpha genereren dus moeilijker kan worden, dan maken de experts zich daar overigens weinig zorgen over. ‘Als actieve belegger kun je nooit op je lauweren rusten’, zegt Chen. ‘We moeten onszelf voortdurend opnieuw uitvinden om voorop te blijven.’ King: ‘We willen ook de inefficiënties van morgen kunnen vinden.’