In de financiële sector wordt steeds meer gesproken over kunstmatige intelligentie (AI). Ondanks de vooruitgang van de laatste jaren staan veel toepassingen van dit uitzonderlijk veelomvattende onderdeel van de informatietechnologie nog in hun kinderschoenen. Dat geldt zeker voor het gebruik van AI in het vermogensbeheer. Volgens Schroders zal de sector het meeste hebben aan Intelligence Augmentation (IA), waarbij AI wordt gebruikt om mensen te helpen beslissingen te nemen, in plaats van de beslissingen voor hen te nemen. In dit artikel wordt onderzocht hoe door de mens bestuurde datatechnieken op een houdbare, reproduceerbare manier kunnen worden ingezet om betere beleggingsresultaten te behalen.
Mark Ainsworth, Head of Kunstmatige intelligentie, vaak aangeduid met de afkorting AI, is een veelbesproken onderwerp. Berichten over zelfrijdende auto’s, bijvoorbeeld, roepen enthousiaste reacties op en allerlei fantasieën over wat er straks allemaal mogelijk is. Vanuit consumentenperspectief zijn deze en andere AI-innovaties reclame voor wat de technologie in de toekomst kan brengen. In de beleggingsindustrie roepen ze de vraag op of de machine de mens gaat vervangen als portefeuillebeheerder? Er bestaan al ‘robo-adviseurs’ die eenvoudige financiële adviezen bieden op basis van algoritmes die worden berekend uit de gestelde vragen. De rekenkracht van computers blijft groeien en er is een enorme hoeveelheid historische marktinformatie beschikbaar, die kan worden gebruikt om toekomstige resultaten nauwkeuriger te voorspellen. Met andere woorden: is AI-gestuurd vermogensbeheer in aantocht? Ondanks de vooruitgang op dit gebied is enige terughoudendheid geboden voordat beheerders hun fiduciaire verantwoordelijkheden (en het hen toevertrouwde vermogen) aan machines overdragen. Een vorm van AI die voor de beleggingssector nuttig zou kunnen zijn, is ‘machine-learning’: het gebruik van statistische algoritmes en technieken om de computer een bepaalde taak te leren en steeds beter te laten uitvoeren zonder expliciete programmering. Een van de meest gangbare toepassingen hiervan is de voorspellende analyse, waarbij bestaande data wordt gebruikt om uitspraken over mogelijke toekomstige resultaten te doen. AI kan allerlei vormen aannemen en omvat een groot aantal soorten voorspellende analysesystemen. Het is de moeite waard om te onderzoeken op welke manier IA en AI bij beleggen toepasbaar zijn. Rijbewijs en kentekenbewijs alstublieft Autorijden is in sommige opzichten te vergelijken met beleggen: in beide gevallen wil men zo snel en gemakkelijk mogelijk van A naar B komen zonder al te veel risico te nemen. Bij beleggen kan B (de bestemming) kapitaalbehoud of pensioenopbouw zijn. Voor autonoom rijden wordt een AI-systeem gebruikt dat Autonomous Driving Platform (ADP) heet. Technisch gezien is het ADP – het AI-systeem – het onderdeel dat de mens nabootst, ofwel: de zelfrijdende auto ‘bestuurt’. Maar het cruciale element van het systeem zijn in feite de externe factoren die het al rijdend voortdurend verzamelt (component 01 in figuur 1 op de volgende bladzijde). Deze externe informatie wordt ingevoerd in het ADP (component 02) dat deze, gecombineerd met een vooraf ingevoerde database, omzet in een kunstmatig rijgedrag dat lijkt op dat van een mens: verkeerstekens volgen, optrekken en remmen, en reageren op obstakels op of nabij het traject van de auto. Dit wordt een perceptie-actie cyclus genoemd. Wat hat ADP uniek maakt, is dat alle informatie wordt opgeslagen en voortdurend opnieuw geëvalueerd wordt om de externe ‘output’ te verbeteren. Met andere woorden, met elke gereden kilometer ‘leert’ het systeem en wordt het een betere chauffeur. De kwaliteit van de uitkomst wordt bepaald door de kwaliteit van de informatie die erin gaat. Om optimale AI-resultaten te verkrijgen, moet voldaan zijn aan vijf belangrijke voorwaarden: 1. er is een stabiele omgeving waarin de regels vastliggen en niet veranderen; 2. de informatie is digitaal en gekwantificeerd; 3. er is een overvloedige hoeveelheid data (dit kan per sector variëren); 4. er is weinig onzekerheid;5. er zijn duidelijke doelen. Zonder deze elementen kan AI volgens ons niet goed werken.
De media zijn dol op succesverhalen over AI-systemen zoals Watson en Deep Blue van IBM en AlphaGo van Google in de gamesector - een gebied waar AI duidelijk goed werkt. Ook sommige hedge-fondsen gebruiken algoritmische AI-handelsstrategieën om patronen in kortstondige markttrends te voorspellen en daarop in te spelen met duizenden handelstransacties. Maar wat deze systemen zo goed maakt als speler of probleemoplosser, is dat ze grotendeels binnen een gesloten informatie-universum functioneren. Computerspellen hebben regels (stabiele omgeving), weinig of geen onzekerheid over deze regels, een duidelijk afgebakend doel, en er is een berekenbaar (zij het overweldigend) aantal kwantificeerbare zetten, tegenzetten enzovoort waaruit kan worden geput. Maar wat gebeurt er als de regels veranderen, of de context verandert? AI-platforms zijn dan wel goed voor spectaculaire krantenkoppen, maar in de praktijk produceren ze vaak onjuiste uitkomsten en bijna altijd is een vorm van menselijk ingrijpen nodig – programmering en verbetering van algoritmen – om ze goed te laten werken. Kortom, bij de meeste AI-systemen (zeker in de beleggingswereld) wordt niet aan alle bovenstaande voorwaarden voldaan. IA (Intelligence Augmentation) daarentegen, dat al ongeveer even lang bestaat als AI, heeft zijn waarde bewezen en speelt in vrijwel alle aspecten van het dagelijks leven een rol. IA is in feite het versterken van de menselijke intelligentie met technische hulpmiddelen. Om op het voorbeeld van autorijden terug te komen, auto’s worden al sinds vele tientallen jaren voorzien van hulpmiddelen om de mens te ondersteunen. Denk aan alledaagse zaken zoals spiegels, waarschuwingslampjes voor de motortemperatuur of de snelheidsmeter die de bestuurder op de hoogte houden van de toestand van de auto. Ze zijn stuk voor stuk bedoeld om de bestuurder te helpen betere beslissingen te nemen onderweg. Moderne auto’s zitten vol met nog meer geavanceerde snufjes zoals autogordelsensoren, parkeersensoren, dodehoeksensoren en uiteraard het navigatiesysteem. Dit zijn allemaal moderne voorbeelden van IA.
AI en IA: hoe ze kunnen samenwerken
Voor vermogensbeheerders is IA een veel relevantere tak van wetenschap dan AI. IA helpt hen patronen in informatie te ontdekken die voor weinig anderen waarneembaar zijn – ook als de data voor iedereen zichtbaar zijn. Dit biedt enorme voordelen als het gaat om beleggen voor de lange termijn. In veel van de bovenstaande voorbeelden over autorijden wordt de bestuurder opmerkzaam gemaakt op dingen die hij anders niet of moeilijk zou zien (een auto in de dode hoek, een file verderop). Natuurlijk kan hij ook autorijden zonder deze informatie, maar met deze extra kennis kom hij sneller en veiliger op zijn bestemming. Een portefeuillebeheerder die een belegging overweegt, heeft toegang tot allerlei nuttige informatie over het bedrijf in kwestie, zoals de vermogenspositie, de inkomsten en de plannen van het management. Maar er zijn andere belangrijke zaken waar beleggers via traditionele kanalen momenteel geen zicht op hebben. Enkele voorbeelden:
– Wat vinden consumenten echt van een bepaald merk?
– Hoe wordt de mening van de consument beïnvloed door strategische beslissingen van een onderneming of een schandaal bij een bedrijf?
– Bij welk deel van de bevolking spreekt het momenteel het meest aan, en wordt groei bereikt door zich op deze groep te richten of door uit te breiden naar andere doelgroepen?
– Zijn de winkels op berijdbare afstand van de beoogde klanten gevestigd?
De bedrijven zelf weten het antwoord op die vragen omdat deze kennis cruciaal is voor hun strategische beslissingen. Ze hebben speciale afdelingen om gegevens over de plaatselijke bevolking te verzamelen, marktonderzoek te doen en klantenkaartdata te analyseren om informatie voor hun strategische plannen te vergaren. De meeste portefeuillebeheerders krijgen echter maar een deel van deze informatie te zien in de jaarverslagen en winstprognoses, in plaats van een compleet beeld van het bedrijf en de bedrijfstak. Maar als de datasets die deze hiaten in hun kennis kunnen dichten, publiek beschikbaar zijn (omdat ze door onderzoeksbureaus worden verkocht, door overheden worden gepubliceerd en door sectororganisaties worden verspreid) blijft er voor een individuele beheerder weinig over om zich mee te onderscheiden.
Hoe kan een beleggingsprofessional dan toch een voorsprong krijgen? Het belangrijkste probleem van deze datasets is dat ze voor een individuele beheerder te groot en ongestructureerd zijn om ze te kunnen gebruiken. Om er bruikbare inzichten uit te destilleren of ontbrekende kennis aan te vullen, is diepgaande expertise op het gebied van statistische methoden, data-engineering en wiskundig modelleren nodig. Het is net als de gps-sporen van miljoenen telefoons zien, terwijl men alleen maar wil weten of er ergens file is. En daarom is er een IA-interface nodig, om de data te condenseren tot iets dat meer inzicht kan opleveren en de mens kan helpen betere beslissingen te nemen. Terugkerend naar de vijf criteria voor een succesvolle inzet van AI, kan worden geconcludeerd dat langetermijnbeleggen waarschijnlijk altijd mensenwerk zal blijven:
1. Stabiele omgeving: Die is er voor beleggen niet. De markten zijn veranderlijk, met voortdurende vernieuwingen in structuur, regelgeving en het gedrag van de marktdeelnemers.
2. Overvloed aan data: Voor kortetermijntransacties zijn er soms voldoende data, maar voor fundamenteel beleggen eigenlijk niet omdat bedrijfsgegevens van goede kwaliteit pas sinds enkele decennia beschikbaar zijn. Daaraan heeft een algoritme lang niet genoeg om complexe relaties af te leiden. De wereldwijde financiële crisis van 2007-2008 vertoonde meer gelijkenis met de depressie van de jaren 1930 dan recentere recessies, maar er zijn niet veel datasets die zo ver teruggaan. En al zouden die beschikbaar zijn, is het nog de vraag of ze bruikbare inzichten zouden opleveren aangezien de wereld er door de maatschappelijke, financiële en technologische ontwikkelingen van de afgelopen 80 jaar nu heel anders uitziet.
3. Weinig onzekerheid: Dit gaat niet op voor beleggen. De financiële markten zijn beweeglijk en onvoorspelbaar, de prijzen worden beïnvloed door beleggers die met allerlei tijdhorizons werken en speelbal zijn van markteffecten en irrationele voorkeuren. Complexe algoritmenetwerken kunnen flash crashes veroorzaken en daarmee de volatiliteit nog versterken.
4. Een duidelijk doel: Voor beleggen in het algemeen is dat wel van toepassing, maar voor individuele compartimenten met verschillende doelstellingen is er geen exact tijdstip aan te wijzen waarop een belegging wel of niet geslaagd is. De fluctuerende prijzen maken het moeilijk te beoordelen of een belegging uiteindelijk wel of geen winst zal opleveren. Beleggingsdoelen zijn afhankelijk van de doelgroep: een gesloten defined benefit pensioenfonds zal niet de volatiliteit van een small cap aandelenfonds wensen, terwijl dat voor beleggers met een grotere risicobereidheid wel heel aantrekkelijk kan zijn.
5. Digitale informatie: Goede beheerders destilleren een totaalbeeld uit alle relevante informatie waarover ze beschikken (waaronder onderzoeksrapporten, hun inzicht in marktkrachten, de effecten van het ondernemingsmanagement, toezichthouders en politiek, de marktstemming). De nuances in die informatie en met name de meer kwalitatieve aspecten zijn echter moeilijk te digitaliseren.
ConclusieDe kansrijkste manier om met behulp van kunstmatige intelligentie en machine learning betere resultaten voor de beleggers te bereiken, is dat datawetenschappers het denken van portefeuillebeheerders versterken, zodat ze gaten in hun kennis kunnen dichten en over diepgaandere, duidelijkere en betrouwbaardere informatie beschikken. Die informatievoorsprong is cruciaal nu het veel marktdeelnemers ontbreekt aan de technologie, het initiatief, de schaal of de organisatie om in die kennis gaten te dichten. En er zijn volop mogelijkheden om AI-technieken zoals machine learning te benutten om deze informatievoorsprong te behouden en uit te bouwen. Het blijft de individuele portefeuillebeheerder die besluit een belegging te kopen of te verkopen. Maar bedenk hoe fijn het is om vlak voor de file van de snelweg af te gaan en een rustige omweg te nemen, terwijl anderen hun weg vervolgen omdat ze niet weten dat het verkeer verderop vaststaat. Anderzijds kan een nog beter geïnformeerde bestuurder, die weet dat er pas een nieuwe weg geopend is of verderop net een ongeluk is gebeurd, besluiten niet blindelings het advies van het navigatiesysteem te volgen - soms een twijfelachtige omweg die uitsluitend gebaseerd is op een onbewaakt algoritme. Dat is waar AI en IA elkaar optimaal aanvullen.
3 Belangrijke informatieDe meningen en opvattingen in dit document zijn die van de auteurs op de datum van publicatie en kunnen veranderen onder invloed van marktomstandigheden of andere omstandigheden. Ze komen niet noodzakelijk overeen met de meningen die worden uitgedrukt of weerspiegeld in andere berichten, strategieën of fondsen van Schroders. Dit document is uitsluitend bedoeld ter informatie. Het materiaal is niet bedoeld als aanbod of uitnodiging om een financieel instrument of effect te kopen of te verkopen of een bepaalde beleggingsstrategie te volgen. De verstrekte informatie vormt geen beleggingsadvies, beleggingsaanbeveling of beleggingsonderzoek en is niet afgestemd op de specifieke omstandigheden van enige ontvanger. Het materiaal is niet bedoeld als financieel, juridisch of fiscaal advies en mag niet worden gebruikt als basis hiervoor. De vermelde informatie wordt geacht betrouwbaar te zijn maar de juistheid of volledigheid wordt door Schroders niet gegarandeerd. Schroders en zijn functionarissen, medewerkers en vertegenwoordigers aanvaarden geen aansprakelijkheid voor onjuiste feiten of meningen of voor verlies als gevolg van het gebruik van alle of een deel van de informatie in dit document. De opvattingen en informatie in dit document mogen niet worden gebruikt als basis voor individuele beleggingsbeslissingen en/of strategische beslissingen. Schroders is niet verplicht een ontvanger op de hoogte te stellen indien informatie in dit document verandert of achteraf onjuist wordt. Tenzij anders bepaald door Schroders is het verboden de informatie in dit document geheel of gedeeltelijk te reproduceren. Alle informatie in dit document is verkregen uit bronnen die Schroders als betrouwbaar beschouwt. Schroders heeft deze informatie niet onafhankelijk gecontroleerd of bevestigd, en deze gegevens moeten onafhankelijk worden gecontroleerd voor verdere publicatie of verder gebruik. Schroders staat niet in voor de juistheid of volledigheid van deze informatie. Beleggen brengt altijd risico’s mee, waaronder het risico op verlies van de hoofdsom.Gegevens van derden zijn eigendom van of in licentie bij de gegevensverstrekker en mogen niet vermenigvuldigd, samengevat of voor enig ander doel worden gebruikt zonder toestemming van de gegevensverstrekker. Gegevens van derden worden verstrekt zonder enige garantie. De gegevensverstrekker en de uitgever van het document dragen geen aansprakelijkheid in verband met de gegevens van derden. Op www.schroders.com staan aanvullende disclaimers met betrekking tot de gegevens van derden.In het verleden behaalde resultaten bieden geen garantie voor de toekomst. De waarde van beleggingen en de daaruit verkregen inkomsten kunnen zowel dalen als stijgen en het is mogelijk dat beleggers het oorspronkelijk geïnvesteerde bedrag niet terugkrijgen. Veranderingen in wisselkoersen kunnen tot gevolg hebben dat de waarde van buitenlandse beleggingen stijgt of daalt. Dit document kan ‘vooruitblikkende’ informatie zoals prognoses en ramingen bevatten. Deze informatie biedt echter geen garantie voor toekomstige resultaten en er is geen zekerheid dat een prognose of raming wordt gerealiseerd. Europese Unie/Europese Economische ruimte: Uitgegeven door Schroder Investment Management Limited, 1 London Wall Place, London, EC2Y 5AU. Registratienummer 1893220 England. Goedgekeurd en gereguleerd door de Financial Conduct Authority.CS1076
4