Maskinlæring er et forskningsfelt, der beskæftiger sig med at forstå og opbygge metoder, der udnytter data til at forbedre ydeevnen uden mennesker. Det er en del af kunstig intelligens.
Maskinlæringsalgoritmer bygger en model baseret på eksempeldata, kendt som træningsdata, for at komme med forudsigelser eller beslutninger uden at være eksplicit programmeret til at gøre det. Disse algoritmer bruges i en lang række applikationer, f.eks. inden for medicin, e-mailfiltrering, talegenkendelse og computervision, hvor det er vanskeligt eller umuligt at udvikle konventionelle algoritmer til at udføre de nødvendige opgaver.
Mens algoritmisk handel længe har været meget udbredt inden for investering, kan AI også bruges til at træffe beslutninger i de tidligere faser af porteføljedannelsen. De potentielle fordele ved AI er bl.a:
- Overlegen regnekraft til at analysere store datamængder på kort tid.
- Undgåelse af kognitive bias, som mennesker er modtagelige for; AI er mere rationel.
- Kan AI erstatte mennesker i at forudsige aktieafkast eller forbedre deres forudsigelser?
AI vs. menneskelige analytikere
Sean Cao, Wei Jiang, Junbo Wang og Baozhong Yang, forfattere af From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses, der blev offentliggjort i oktober 2024-udgaven af Journal of Financial Economics, undersøgte, hvordan AI klarer sig sammenlignet med menneskelige analytikere i forhold til at forudsige aktieafkast. Deres mål var at bestemme:
- Under hvilke omstændigheder bevarer menneskelige analytikere deres fordel i forhold til AI?
- Hvad er effekten af at kombinere menneskelige analytikere med AI på nøjagtigheden af aktieforudsigelser?
- Hvad er konsekvenserne af disse resultater for den bredere anvendelse af AI i kvalificerede erhverv og beslutningsprocesser?
Forfatterne byggede deres egen AI-model til at forudsige 12-måneders aktieafkast (udledt af 12-måneders kursmål) og sammenlignede dem med analytikernes prognoser på samme tidspunkt for de samme aktier. De indsamlede variabler på virksomhedsniveau, brancheniveau og makroøkonomiske variabler samt tekstoplysninger fra virksomhedernes offentliggørelser, nyheder og sociale medier (opdateret til lige før tidspunktet for en analytikerprognose) som input og udelukkede bevidst oplysninger fra selve analytikerprognoserne, så AI-modellen ikke fik gavn af analytikernes indsigt.
Deres stikprøve af analytikerprognoser blev bygget ud fra Thomson Reuters Institutional Brokers Estimate System-analytikerdatabasen. Efter sammenlægning af IBES med CRSP- og Compustat-data består deres endelige stikprøve af 1.153.565 12-måneders kursmålsprognoser for 6.315 virksomheder udstedt af 11.890 analytikere fra 861 mæglerfirmaer og 5.885.063 indtjeningsprognoser for første kvartal til fjerde kvartal for 8.062 virksomheder udstedt af 14.363 analytikere fra 926 mæglerfirmaer. Deres model dækkede perioden 2001-18. Forfatterne fandt:
1. En AI-analytiker, der er trænet i at fordøje virksomhedsoplysninger, branchetrends og makroøkonomiske indikatorer, overgår de fleste analytikere (54,5 %) i forudsigelser af aktieafkast. Maskinens fordel kan skyldes enten dens overlegne evne til at behandle information eller dens immunitet over for forudsigelige menneskelige bias på grund af incitamenter eller psykologiske træk.
2. I forhold til analytikere var AI-modellen i stand til at generere overlegne afkast, eller alfa, i størrelsesordenen 50 til 72 basispoint månedligt, statistisk signifikant på 1%-niveau i næsten alle tilfælde.
3. AI-modellen slog komfortabelt de analytikere, der havde lave færdigheder, og var stort set på niveau med analytikere (analytikernes beat ratio på 49,3 %), der viste bedre resultater i hvert af de sidste fem år, hvilket kun 7,3 % af alle analytikere opnåede.
4. Makrovariabler og virksomhedsafkast bidrog mest (henholdsvis 27,6 % og 24,4 %) til AI-modellens dygtighed, efterfulgt af virksomhedskarakteristiske variabler (22 %) og tekstinformation (9,3 %) - hvilket understreger vigtigheden af kvalitativ information. Oplysninger fra indtjeningen havde den laveste andel (2 %).
5. Mennesker slår AI, når institutionel viden er afgørende - f.eks. i forbindelse med immaterielle aktiver og finansielle problemer. Menneskelige analytikere klarer sig f.eks. bedre, når de skal forudsige afkastet for mindre og mindre likvide virksomheder. De klarer sig også bedre, når der er tale om immaterielle aktiver, i brancher eller virksomheder, der oplever hurtige ændringer eller høj konkurrencedynamik, og i tilfælde, hvor virksomheder står over for en højere risiko for problemer eller gennemgår betydelig finansiel stress.
6. AI vinder, når informationen er gennemsigtig, men mængden er stor.
7. Efter at have tilføjet analytikerprognoser til informationssættet i de maskinlæringsmodeller, der ligger til grund for deres AI-analytiker, overgik den resulterende model 54,8 % af prognoserne i den rene AI-model, samtidig med at ekstreme fejl blev reduceret.
8. Analytikere og AI-modellen var omtrent lige tilbøjelige til at begå ekstreme fejl (henholdsvis 9,3 % og 7,8 % ved brug af 90-percentiltærsklen) - den kombinerede model undgik ca. 90 % af de ekstreme fejl, der blev begået af menneskelige analytikere, og 40 % af dem, der blev begået af AI alene.
9. Den kombinerede model udnytter de komplementære styrker hos både mennesker og kunstig intelligens. AI udmærker sig ved at behandle store datamængder og identificere mønstre, mens menneskelige analytikere tilføjer nuanceret forståelse og kontekstuel indsigt, hvilket resulterer i et mere robust og pålideligt prognoseværktøj.
10. Analytikere indhenter maskinerne, når alternative data bliver tilgængelige, hvis deres arbejdsgivere opbygger AI-kapaciteter.
11. Dokumenterede synergier mellem mennesker og maskiner fortæller, hvordan mennesker kan udnytte deres fordele til bedre at tilpasse sig den voksende AI-evne.
Forstærket af AI
Det mest interessante resultat var måske, at mens modellen klarede sig bedre end analytikerne til at forudsige afkast, slog analytikerne maskinen med en sandsynlighed på 69,2 %, når det gjaldt forudsigelse af indtjening. Men den kombinerede analytiker- og AI-model overgik 55 % af analytikernes prognoser.
Deres resultater fik forfatterne til at konkludere: "Samlet set understøtter denne undersøgelse hypotesen om, at analytikernes evner kan forstærkes af AI, og endnu vigtigere, at analytikernes arbejde har merværdi og synergier med AI-modellering, især i usædvanlige og hurtigt udviklende situationer."
De tilføjer: "Selv om fremtiden for AI stadig er usikker, giver de dele af de menneskelige færdigheder, som vi dokumenterer, mulighed for lovende samarbejde og forstærkning mellem menneske og maskine."
Empirisk forskning i AI-fonde og deres resultater
Der er én undersøgelse, som vi kan gennemgå om AI-drevne investeringsfondes resultater.
Rui Chen og Jinjuan Ren, forfattere til undersøgelsen "Do AI-Powered Mutual Funds Perform Better?", der blev offentliggjort i august 2022-udgaven af Finance Research Letters, evaluerede resultaterne af AI-drevne investeringsfonde. Deres dataudtræk kom fra CRSP Survivor-Bias-Free US Mutual Fund Database og dækkede 26-månedersperioden november 2017-december 2019. De betegnede AI-drevne fonde som dem, der bruger maskinlæringsteknologier til aktivt at vælge aktier i porteføljevalg; kvantitative fonde som dem, der bruger faste regler og numeriske metoder til at generere computerdrevne modeller og træffe investeringsbeslutninger; og diskretionære fonde som de traditionelle fonde, der vælger aktier og træffer investeringsbeslutninger primært gennem menneskelig dømmekraft. Følgende er et resumé af deres resultater:
1. Resultaterne for AI-drevne investeringsfonde kunne statistisk set ikke skelnes fra det samlede marked i 25 ud af de 26 måneder i undersøgelsesperioden.
2. AI-drevne fonde genererede ikke signifikante risikojusterede afkast og viste kun marginalt overlegne aktievalgsevner (kun ved ligevægt) og ingen markedstimingsevner.
3. AI-drevne fonde klarede sig bedre end deres menneskeforvaltede kolleger på grund af lavere rotation - 31 % mod 72 % - hvilket resulterede i lavere transaktionsomkostninger og marginalt bedre evner til at vælge aktier.
4. AI-drevne fonde havde færre aktier (149 mod 197) - derfor var deres porteføljer mere koncentrerede.
5. AI-drevne fonde undgik nogle udbredte adfærdsbias (som f.eks. dispositionseffekten).
Hvad investorer kan tage med sig
Cao, Jiang, Wang og Yang viste, at aktieforudsigelser kan forbedres ved at integrere styrkerne ved AI og menneskelige analytikere, hvilket fører til bedre resultater end at stole på en af dem alene. De viste, at AI og menneskelige analytikere supplerer hinanden - AI udmærker sig ved at behandle store datamængder og identificere mønstre, mens mennesker giver kontekstuel forståelse, intuition og nuanceret indsigt. Anerkendelse af disse synergier hjælper med at designe systemer, hvor både AI og menneskelige input maksimeres. Der er dog endnu ikke noget bevis for, at AI-drevne fonde klarer sig bedre end andre på et risikojusteret grundlag.
Måske er den vigtigste konklusion, at AI-modeller hjælper med at undgå menneskelig bias, hvilket gør prognoser mere præcise - hvilket bør føre til, at markederne bliver mere effektive, hvilket reducerer muligheden for at generere alfa gennem udvælgelse af aktier.
Larry Swedroe er forfatter eller medforfatter til 18 bøger om investering herunder hans seneste "Enrich Your Future".
