Lage correlatie met andere beleggingen: hoe AI-fondsen portefeuilleschommelingen kunnen verminderen

De markt voor AI-gedreven fondsen, oftewel strategieën die kunstmatige intelligentie (AI) gebruiken in het beleggingsproces, groeit. Bijna 60 procent van de beleggers die beleggen in alternatieve beleggingscategorieën is geïnteresseerd in AI, volgens een recent rapport van brancheorganisatie Hedgeweek.

Terwijl de wereldwijde activa onder beheer (AuM) in AI-gebaseerde beleggingsoplossingen tot de eerste helft van 2024 nauwelijks de drie miljard euro overschreden , registreren we een toenemende vraag van institutionele beleggers en vermogensbeheerders.

Toepassingsgebieden van AI in beleggingsstrategieën

Weinig investeerders zijn waarschijnlijk geïnteresseerd in AI omwille van de AI zelf of puur uit technische fascinatie. De vraag is eerder wat AI kan, wat het bereikt (beter dan menselijke analisten of managers) en welke specifieke taken – met welk verwacht rendement – eraan kunnen worden toegewezen.

Voor sommige beleggers is de zoektocht naar superieure rendementen van het grootste belang. Andere motieven voor het gebruik van AI in beleggingsstrategieën zijn onder meer de behoefte aan grotere hoeveelheden relevante data of het vermogen om emotionele invloeden (gedragsbias) en cognitieve vervormingen (zoals het vasthouden aan specifieke referentiewaarden, ook wel 'anchoring' genoemd) te filteren.

Maar waar is AI nu eigenlijk zo goed in? Een belangrijk voordeel dat veel marktwaarnemers – waaronder de onafhankelijke experts van de NextGen Artificial Intelligence Multi-Manager Index, die wereldwijd zo'n 45 AI-beleggingsstrategieën omvat – opmerken, is de lage correlatie van AI met andere beleggingscategorieën. AI werkt vaak met niet-lineaire patronen. Wanneer AI in het beleggingsproces wordt gebruikt om de waarschijnlijkheid van marktbewegingen te berekenen en effecten te selecteren, verschillen handelssignalen, allocaties en portefeuillewegingen over het algemeen van die van een traditionele beheerder.

50/50-portefeuilles: grenzen van mengingen

Laten we het kort samenvatten: AI-modellen worden gezien als een factor in decorrelatie, onder andere gebaseerd op backtests en vergelijkingen met traditionele (kwantitatieve) peer groups. AI-gebaseerde benaderingen kunnen daarom worden gebruikt als een potentieel marktneutrale component in een complementaire portefeuille. Maar voor welke private bankers en vermogensbeheerders zou deze decorrelatiesterkte bijzonder relevant kunnen zijn?

Dit heeft gevolgen voor alle (long-only) beleggers die hun portefeuilles beoordelen op afhankelijkheid van stijgende aandelenmarkten en staatsobligaties en vaak teleurgesteld zijn in de bestaande diversificatiemogelijkheden voor hun portefeuille (zoals vastgoed, private equity en hedgefondsen). Deze opties zijn vaak sterk gecorreleerd met traditionele beleggingscategorieën (>0,7 en meer) en reageren vergelijkbaar gevoelig op (geopolitieke) marktgebeurtenissen, inflatie en renterisico's.

Beleggingsstrategieën die gebruikmaken van machine-intelligentie voor signaalberekening en fondsbeheer kunnen worden beschouwd als nieuwe, disruptieve complementaire elementen als ze gebruikmaken van de geschetste decorrelatiesterkte en voldoen aan de criteria voor effectieve diversificatie (coherentie met de aandelenmarkt van <0,3).

Als vertegenwoordigers van de sector kunnen we dit kwantificeren met behulp van onze eigen AI-fondsstrategie. De correlatie, oftewel de onderlinge relatie met de belangrijkste activaklassen aandelen en obligaties, is <0,1.

Geen orakel: AI in de praktijk

Kan de toegevoegde waarde van zo'n adequaat geprogrammeerd en getraind AI-systeem verder worden gemeten? Als we de gedachtegang volgen om AI een specifieke decorrelatietaak toe te wijzen (in plaats van het te zien als een soort 'orakel', wat het niet is), wordt het gemakkelijker om de rol ervan als middel tot een doel te begrijpen. AI is een middel om decorrelatie te bereiken. Decorrelatie is een middel om betere prestaties te behalen (preciezer: de Sharpe-ratio), maar ook om de volatiliteit te verminderen en prijsdalingen in de algehele portefeuillecontext te stabiliseren.

Vanuit onze beleggingspraktijk, waarvoor we de afgelopen jaren zo'n 55.000 beurstransacties hebben uitgevoerd met drie AI-modelfamilies – gericht op decorrelatie en diversificatie – kunnen we zeggen: portefeuillediversificatie wordt vaak besproken, maar zelden op een tastbare manier gemeten. Wie concentratierisico's wil vermijden en consistente prestaties wil behalen, zal verschillende bronnen van rendement onderzoeken.

Op basis van evaluaties door onafhankelijke derde partijen kan de niet-gecorreleerde AI-component worden gebruikt voor de periode van 2019 tot heden, met inbegrip van marktfasen aan het begin van de agressieoorlog tegen Oekraïne en tijdens de coronapandemie: met een gemiddelde initiële portefeuille van 50/50 (gebaseerd op de MSCI World Net Index en de Bloomberg Global Aggregate Bond Index, die de wereldwijde aandelen- en obligatiemarkten adequaat vertegenwoordigen) kan een mix van 10 tot 25 procent de volatiliteit van de portefeuille met maximaal een kwart en maximale dalingen met maximaal een derde verminderen.

Uiteraard komen ook andere alternatieve beleggingen die hun onafhankelijkheid van kerninvesteringen, zoals aandelen en obligaties, kunnen aantonen, in aanmerking. AI komt sui generis in aanmerking vanwege zijn unieke aard, aangezien het doorgaans tot andere portefeuillesamenstellingen komt dan menselijke beheerders.

uitdagingen

Er is veel onderzoek en kennis nodig over de specifieke toepassing van AI-algoritmen op financiële markten om ze bruikbaar te maken voor fondsbeheer.

In tegenstelling tot generatieve AI, die steeds populairder wordt in spraak-naar-tekstprogramma's (chatbots) en natuurlijke taalverwerking, wordt voorspellende AI hier gebruikt om trends, trendbreuken en handelskansen op de aandelenmarkt te identificeren. Vergeleken met traditionele kwantitatieve strategieën graven we dieper: een zevencijferig volume aan prijsgegevens wordt geëvalueerd met behulp van diverse AI- en machine learning-algoritmen, waaronder deep learning.

vooruitzichten

Binnen het domein van vermogensbeheer kunnen diverse taken nu aan AI worden gedelegeerd. Een belangrijk voordeel is waarschijnlijk de rol ervan als hypothesevrije tool die grotendeels onafhankelijk is van markttrends en menselijke invloeden.

Wanneer AI centraal wordt ingezet om een beleggingsstrategie te beheren, moeten beleggers duidelijk definiëren welke resultaten ze verwachten van de inzet van machine-intelligentie. Informatie over de meetbaarheid van de effecten en toegevoegde waarde in het beleggingsproces – bijvoorbeeld in het geval van complementaire producten op traditionele portefeuilles – moet worden opgevraagd, idealiter over langere tijdshorizons en in verschillende marktfasen. Het simpelweg meten van deze waardebijdrage op basis van individuele, opportunistisch geselecteerde gebeurtenissen schiet echter tekort.

Over de gastauteurs:

Pablo Hess en Michael Günther zijn AI-ontwikkelaars en portefeuillebeheerders bij Tungsten Capital, gevestigd in Frankfurt am Main. Hun strategie is al meer dan tien jaar een van de gevestigde AI-beleggingsoplossingen in de DACH-regio, met een beheerd vermogen van meer dan € 200 miljoen.