Maskininlärning är ett forskningsområde som handlar om att förstå och bygga metoder som utnyttjar data för att förbättra prestandan utan hjälp av människor. Det är en del av artificiell intelligens.
Maskininlärningsalgoritmer bygger en modell baserad på exempeldata, så kallad träningsdata, för att göra förutsägelser eller fatta beslut utan att uttryckligen programmeras för att göra det. Dessa algoritmer används i en mängd olika tillämpningar, t.ex. inom medicin, e-postfiltrering, taligenkänning och datorseende, där det är svårt eller omöjligt att utveckla konventionella algoritmer för att utföra de uppgifter som behövs.
Algoritmisk handel har länge tillämpats inom investeringsområdet, men AI skulle också kunna användas för att fatta beslut i de tidiga stadierna av portföljbildningen. De potentiella fördelarna med AI är bland annat
• Överlägsen beräkningskraft för att analysera massdata på kort tid;
• Undvikande av kognitiva fördomar som människor är mottagliga för; AI är mer rationellt;
• Kan AI ersätta människor när det gäller att förutsäga aktieavkastning eller förbättra deras förutsägelser?
AI vs. mänskliga analytiker
Sean Cao, Wei Jiang, Junbo Wang och Baozhong Yang, författare till From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses, som publicerades i oktobernumret 2024 av Journal of Financial Economics, undersökte hur AI presterar jämfört med mänskliga analytiker när det gäller att förutsäga aktieavkastning. Deras mål var att fastställa:
• Under vilka omständigheter behåller mänskliga analytiker sin fördel gentemot AI?
• Vilken inverkan har kombinationen av mänskliga analytiker och AI på träffsäkerheten i aktieprognoser?
• Vilka är konsekvenserna av dessa resultat för den bredare tillämpningen av AI i kvalificerade yrken och beslutsprocesser?
Författarna byggde sin egen AI-modell för att förutse 12-månaders aktieavkastning (härledd från 12-månaders målpriser) och jämförde dem med analytikernas prognoser som gjordes vid samma tidpunkt för samma aktier. De samlade in variabler på företagsnivå, branschnivå och makroekonomiska variabler, liksom textinformation från företagens upplysningar, nyheter och sociala medier (uppdaterade till strax före tidpunkten för en analytikerprognos), som ingångar, och uteslöt medvetet information från analytikernas prognoser själva så att AI-modellen inte gynnades av analytikernas insikter.
Deras urval av analytikerprognoser byggdes från Thomson Reuters Institutional Brokers Estimate System analytikerdatabas. Efter sammanslagning av IBES med CRSP- och Compustat-data består deras slutliga urval av 1 153 565 12-månaders riktkursprognoser för 6 315 företag utfärdade av 11 890 analytiker från 861 mäklarfirmor och 5 885 063 vinstprognoser för första kvartalet till fjärde kvartalet för 8 062 företag utfärdade av 14 363 analytiker från 926 mäklarfirmor. Deras modell sträckte sig över perioden 2001-18. Författarna fann:
1. En AI-analytiker som utbildats för att smälta företagsupplysningar, branschtrender och makroekonomiska indikatorer överträffar de flesta analytiker (54,5%) i förutsägelser om aktieavkastning. Maskinens fördel kan härröra från antingen dess överlägsna förmåga att bearbeta information eller dess immunitet mot förutsägbara mänskliga fördomar på grund av incitament eller psykologiska drag.
2. Jämfört med analytikerna kunde AI-modellen generera överlägsen avkastning, eller alfa, i storleksordningen 50 till 72 baspunkter per månad, statistiskt signifikant på 1%-nivån i nästan alla fall.
3. AI-modellen slog bekvämt analytikerna i lågkvalificerade kvantiler och var praktiskt taget jämn med analytiker (ratio på 49,3%) som uppvisade överlägsen prestanda under vart och ett av de senaste fem åren, en excellens som endast uppnåddes av bara 7,3% av alla analytiker.
4. Makrovariabler och företagsavkastning bidrog mest (27,6% respektive 24,4%) till AI-modellens skicklighet, följt av variabler för företagskarakteristik (22%) och textinformation (9,3%) - vilket belyser vikten av kvalitativ information. Information från resultatet hade den lägsta andelen (2%).
5. Människan slår AI när institutionell kunskap är avgörande - t.ex. när det gäller immateriella tillgångar och finansiella problem. Mänskliga analytiker presterar till exempel bättre när de förutspår avkastningen för mindre och mindre likvida företag. De presterar också bättre när det finns immateriella tillgångar, i branscher eller företag som genomgår snabba förändringar eller hög konkurrensdynamik, och i fall där företag står inför högre nödrisk eller genomgår betydande finansiell stress.
6. AI vinner när informationen är transparent men voluminös.
7. Efter att ha lagt till analytikerprognoser till informationsuppsättningen för de maskininlärningsmodeller som ligger till grund för deras AI-analytiker överträffade den resulterande modellen 54,8% av prognoserna för den enda AI-modellen, samtidigt som de extrema felen minskade.
8. Analytikerna och AI-modellen var ungefär lika benägna att göra extrema fel (9,3% respektive 7,8%, med tröskelvärdet 90:e percentilen) - den kombinerade modellen undvek cirka 90% av de extrema fel som gjordes av mänskliga analytiker och 40% av de som gjordes av enbart AI.
9. Den kombinerade modellen utnyttjar de kompletterande styrkorna hos både människor och AI. AI utmärker sig genom att bearbeta stora datamängder och identifiera mönster, medan mänskliga analytiker tillför nyanserad förståelse och kontextuella insikter, vilket resulterar i ett mer robust och tillförlitligt prognosverktyg.
10. Analytikerna kommer ikapp maskinerna efter att ”alternativ data” blir tillgänglig om deras arbetsgivare bygger upp AI-kapacitet.
11. Dokumenterade synergier mellan människor och maskiner ger information om hur människor kan utnyttja sina fördelar för att bättre anpassa sig till den växande AI-förmågan.
Swedroe: Är viloperioden för japanska aktier över?
Förstärkt av AI
Det kanske mest intressanta resultatet var att medan modellen överträffade analytikerna när det gällde att förutsäga avkastning, slog analytikerna maskinen med en sannolikhet på 69,2% när det gällde att förutsäga resultatet. Den kombinerade analytiker- och AI-modellen överträffade dock 55% av analytikernas prognoser.
Deras resultat fick författarna att dra slutsatsen: ”Sammantaget stöder denna studie hypotesen att analytikernas kapacitet kan förstärkas av AI och, ännu viktigare, att analytikernas arbete har ett mervärde för och synergier med AI-modellering, särskilt i ovanliga och snabbt utvecklande situationer.”
De tillade: ”Medan framtiden för AI fortfarande är osäker, möjliggör de delar av mänskliga färdigheter som är inkrementella för AI, som vi dokumenterar, lovande Man + Machine-samarbete och förstärkning.”
Empirisk forskning om AI-fondernas utveckling
Det finns en studie som vi kan granska om liveprestanda för AI-drivna fonder.
Rui Chen och Jinjuan Ren, författare till studien ”Do AI-Powered Mutual Funds Perform Better?” som publicerades i augusti 2022-utgåvan av Finance Research Letters, utvärderade resultatet för AI-drivna fonder. Deras dataurval kom från CRSP Survivor-Bias-Free US Mutual Fund Database och täckte 26-månadersperioden november 2017-december 2019. De betecknade AI-drivna fonder som de som använder maskininlärningsteknik för att aktivt välja aktier i portföljval; kvantitativa fonder som de som använder fasta regler och numeriska metoder för att generera datordrivna modeller och fatta investeringsbeslut; och diskretionära fonder som de traditionella fonder som väljer aktier och fattar investeringsbeslut främst genom mänsklig bedömning. Nedan följer en sammanfattning av deras resultat:
1. Utvecklingen för AI-drivna fonder var statistiskt omöjlig att skilja från den aggregerade marknaden under 25 av de 26 månaderna under urvalsperioden.
2. AI-drivna fonder genererade inte någon betydande riskjusterad avkastning och uppvisade endast marginellt överlägsna färdigheter i aktieval (endast genom likaviktning) och inga färdigheter i marknadstiming.
3. AI-drivna fonder överträffade sina mänskligt förvaltade konkurrenter på grund av lägre omsättning - 31% jämfört med 72% - vilket resulterade i lägre transaktionskostnader och marginellt överlägsna färdigheter i aktieurval.
4. AI-drivna fonder hade färre aktier (149 jämfört med 197), vilket innebär att deras portföljer var mer koncentrerade.
5. AI-drivna fonder undvek vissa vanliga beteendemässiga fördomar (t.ex. dispositionseffekten).
Vad investerare kan ta med sig
Cao, Jiang, Wang och Yang visade att aktieprognoser kan förbättras genom att integrera styrkorna hos AI och mänskliga analytiker, vilket leder till bättre resultat än att förlita sig på någon av dem ensam. De visade att AI och mänskliga analytiker kompletterar varandra - AI utmärker sig när det gäller att bearbeta stora datamängder och identifiera mönster, medan människor ger kontextuell förståelse, intuition och nyanserade insikter. Att känna igen dessa synergier hjälper till att utforma system där både AI och mänskliga ingångar maximeras. Hittills finns det dock inga bevis för att AI-drivna fonder presterar bättre på en riskjusterad basis.
Den kanske viktigaste slutsatsen är att AI-modeller hjälper till att undvika mänsklig bias, vilket gör prognoserna mer exakta - vilket bör leda till att marknaderna blir mer effektiva, vilket minskar möjligheten att generera alfa genom värdepappersurval.
Larry Swedroe är författare eller medförfattare till 18 böcker om investeringar, inklusive hans senaste Enrich Your Future.
