Nog even en de beleggingsanalist is alleen nog regisseur. De acteurs waarmee hij werkt: de informatie en de modellen die leiden tot een beleggingsbeslissing. ‘Het gaat heel snel nu’, zegt Herman van der Sluis van PGGM. ‘Dus moet je goed nadenken welke rol je wil voor mensen in de processen.’
Van der Sluis staat bij pensioenbelegger PGGM aan het hoofd van het team Investment Analytics, vol specialisten die de hele beleggingsketen ondersteunen bij het bouwen en implementeren van AI-modellen. ‘Praktisch elke fase van het beleggingsproces kan worden geautomatiseerd’, zegt hij. ‘De technologische ontwikkeling gaat nu zo hard dat je moet gaan nadenken hoe je de hele organisatie en alle werkprocessen precies zo ontwerpt, dat optimaal gebruik wordt gemaakt van deze ontwikkeling.´
Van der Sluis noemt het voorbeeld van contracten met leveranciers. ‘Voor het beleggingsproces hertrainen we generieke taalmodellen op specifieke onderwerpen, bijvoorbeeld de Sustainability Development Goals van de VN of de verschillende Net Zero-initiatieven. Maar dat kan bijvoorbeeld ook het juridische domein zijn. Je kunt AI laten meekijken bij het opstellen van een nieuw contract met een leverancier: staan de juiste clausules erin, zijn de afspraken goed geformuleerd?’
Hoofdmoot voor het drie jaar geleden gestarte team van analisten en ontwikkelaars is de beleggingsketen. Van der Sluis, sinds 2011 verbonden aan PGGM en sinds 2016 actief in quant-beleggen, werd in 2020 gevraagd mee te denken over de beleggingsstrategie voor de daaropvolgende jaren. ‘Data en AI waren daar toen al een belangrijke poot van. Een van de voorstellen in dat kader was het oprichten van dit specialistische team.’
Hij kreeg de taak het team op te zetten en in drie jaar tijd groeide het tot uit veertien medewerkers. ‘Van advies tot en met portfoliomanagement en van aandelen tot alternative credit: we worden door de hele organisatie heen gevraagd initiatieven te ondersteunen om traditionele kwantitatieve modellen en innovatieve AI-technieken in te zetten. Waar nodig jagen we zelf ook het gebruik ervan aan.’
De benodigde modellen ontwikkelt het team veelal zelf en bij de implementatie speelt het ook een grote rol. ‘We hebben de kennis en kunde van onze beleggers nodig om de modellen op maat te ontwerpen, maar het moet niet hun dagelijks werk zijn om die modellen vervolgens ook uit te programmeren, vinden we.’
Indrukwekkende vooruitgang
De twee technologieën waar PGGM inmiddels in meerdere vormen gebruik van maakt zijn taalmodellen en machine learning. Met name op het gebied van de taalmodellen zijn de afgelopen twee jaar grote sprongen gemaakt, zegt Van der Sluis. PGGM zet ze met name in voor de verbetering van de processen rond duurzaamheid, naast rendement en risico de derde pijler van het beleggingsbeleid.
‘Voor duurzaamheid is het belangrijk veel kennis over bedrijven te verzamelen. Voorheen lazen analisten jaarverslagen, websites, rapporten, nieuwsberichten. Nu wordt de verzameling én de presentatie van die informatie steeds verder geautomatiseerd. De analist controleert de kwaliteit ervan en stelt vragen aan het model. Vijf jaar geleden kwamen er slechte antwoorden uit, nu komen er goede antwoorden uit. De afgelopen twee jaar was de vooruitgang bijzonder indrukwekkend. Als we een hobbeltje tegenkwamen, dan was het na een kwartaal opgelost. En ik denk dat er over een half jaar helemaal geen sprake meer is van hobbeltjes.’
Van der Sluis trekt daaruit de conclusie dat taal eigenlijk geen probleem meer is voor de technologie: ‘Taal is aardig opgelost door computers, is mijn stelling.’
Een stelling die hij bevestigd ziet door steeds weer goede ervaringen met het hertrainen van generieke taalmodellen. ‘Je maakt van zo’n taalmodel dan een specialist met een enorme domeinkennis. Een model dat bijvoorbeeld gespecialiseerd is in de SDG’s kun je 10.000 jaarverslagen voorleggen en vragen of daar SDG-doelstellingen instaan. Op zo’n vraag krijg je goede antwoorden.’
Kredietratings
Machine learning wordt vooral ingezet als voorspellen het issue is. Voor obligatiebeleggingen bijvoorbeeld ontwikkelde het team eerst een basis van traditionele kwantitatieve modellen, om die vervolgens ‘uit te dagen’ met meer innovatieve machine-learningmodellen. ‘Die modellen verbeteren zo onze kennis en inzichten met betrekking tot de kern van onze beleggingen.’
In datzelfde domein is sprake van de mogelijkheid - PGGM doet dat (nog) niet - om het werk van aandelenanalisten of de analisten van de grote kredietbeoordelingsbureaus na te bootsen. ‘Een agency als S&P of Moody’s hanteert dikke handleidingen over de methodologie die ze gebruiken om tot de ratings te komen. Er zijn al wetenschappelijke publicaties over het repliceren van die werkzaamheden met modellen. Op elk van de deelgebieden, zoals waardering, winstgevendheid of concurrentiesituatie, bouw je dan een model en daarna trekt een overkoepelend model de eindconclusie over een aandeel of obligatie.’
Van der Sluis vindt die aanpak ‘zeer interessant’. ‘De resultaten zijn misschien niet helemaal vergelijkbaar met die van een analist, maar ze lijken goed genoeg om verder te gebruiken in het proces.’
De laatste 5 tot 10 procent zit hem bijna altijd de menselijke factor. ‘Ook in een ratingproces of bij een analist speelt nog altijd de menselijke beoordeling een belangrijke rol. Maar met een puur kwantitatieve aanpak kom je intussen een heel eind.’
Onvoorspelbaar
Nog even en ‘de computer’ kan dus de toekomst voorspellen? Niet dus, zegt Van der Sluis. ‘Je zal op dezelfde barrière stuiten waarop beleggingsanalisten altijd al stuitten: het gegeven dat dingen die we nog niet weten, dingen die inherent onvoorspelbaar zijn, de grootste drijfveer vormen van financiële markten.’
Vraag je AI namelijk of een aandeel volgende week omhoog of omlaag gaat, dan krijg je veel slechte antwoorden. Net zoals analisten geen glazen bol hebben, stelt Van der Sluis: ‘Beleggingen bewegen vooral als gevolg van slecht of niet voorspelbare gebeurtenissen en beleggers proberen in dat geweld het verschil te maken door de kennis die ze wél hebben, zo goed mogelijk toe te passen.’
Hoe kan AI dan toch bijdragen aan het verbeteren van beleggingsbeslissingen? Door een betere en uitgebreidere toepassing van de maatstaven voor een goede analyse. ́Een analist kent een beperkt aantal bedrijven in hoge mate van detail en baseert daarop zijn beslissing. Technologie voegt daar niet aan toe dat het onvoorspelbare voorspelbaar wordt, maar kan wel uitgebreid snel en consistent alle mogelijke beoordelingscriteria toepassen. Uitgebreider, sneller en consistenter dan een mens dat kan.’