AI Alpha Lab: Den vigtigste beslutning, når du investerer

Vi beskæftiger os af naturlige årsager utroligt meget med aktier. Aktier udgør en væsentlig del af stort set alle investorers porteføljer, og det er derfor afgørende at have en proces, som kan hjælpe med at få eksponering mod de rigtige aktier over tid.

Men der er faktisk investeringsbeslutninger, der betyder mindst lige så meget, som hvilke aktier man skal købe – nemlig hvordan den samlede portefølje er allokeret på tværs af de fire primære aktivklasser, altså vægtningen mellem aktier, obligationer, råvarer og valuta. Det giver vi tre eksempler på i artiklen her med udgangspunkt i vores AI-model.

Fordelen ved at forecaste på tværs af aktivklasser

Aktier giver i sig selv ikke nogen høj grad af diversifikation, da alle aktier er stærkt korreleret til aktierisikopræmien, dvs. at aktier generelt stiger og falder med hinanden. Som aktieinvestor eksponerer man sig derfor mod et fremtidigt forventet fald i omegnen af 30-60%. Lidt forsimplet er dette ganske enkelt risikoen, man som aktieinvestor betaler for at få et langsigtet afkast.

I perioder, hvor aktier falder, er det derfor fordelagtigt at være investeret i aktivklasser som fundamentalt bevæger sig anderledes end aktier, særligt i krisetider. Langsigtet afkast og ikke mindst stabilitet afhænger af eksponering mod flere ukorrelerede afkastdrivere. Med andre ord søger investorer strukturel diversifikation på tværs af den økonomiske cyklus, der kan defineres som i figuren nedenfor via inflation og vækst. Det overordnede mål for en investor er således at få eksponering mod aktiver, som er fundamentalt kædet sammen med forskellige økonomiske regimer.

Kilde: ReSolve Asset Management

Fordelen ved at forecaste på tværs af aktivklasser set fra et modelperspektiv – og det behøver ikke være en probabilistisk AI-model som vores – er, at modellen får lov til at arbejde med aktiver, som er meget ukorrelerede set i forhold til korrelationen mellem aktier.

Enhver model er betinget af det tilgængelige sæt af muligheder, som er til stede i det data, man forsøger at sige noget om. Inden for investering betyder det, at en model er begrænset af, hvor mange afkastdrivere der er i investorens investeringsunivers. Spredningen eller graden af samvariation i inputdata er afgørende for modellens ydeevne.

Vi ved, at der er betydeligt flere ukorrelerede afkastdrivere på tværs af aktivklasser end inden for én aktivklasse. Så selvom vores AI-model er i stand til at finde et væsentligt signal mellem aktier, der pr. definition har en høj korrelation, trives modellen endnu bedre, når vi udvider universet på tværs af aktivklasser.

3 eksempler: Samme AI-model på gradvist udvidet univers

Lad os give tre eksempler, hvor vi for hvert eksempel udvider det univers af ETF’er, som den præcis samme AI-model har til rådighed. Benchmark er i alle eksempler en ligevægtet portefølje af de samme aktiver, som AI-modellen kan vælge imellem.

I det første eksempel har AI-modellen mulighed for at investere i aktier samt i lange og korte obligationer:

Eksempel 1: AI-modellen kan investere i aktier samt i lange og korte obligationer. Klik på grafen for at se en større version.

• Afkast: 58,2%
• Største tab: -19,3%
• Sharpe Ratio (risikojusteret afkast): 0,85
• Rullende 12 måneders positivt afkast: 84%

Husk, at historisk afkast ikke er garanti for fremtidigt afkast.

Som det ses ovenfor, ville det give ganske udmærket performance. Men lad os se, om vi kan forbedre det ved at udvide investeringsuniverset.

I andet eksempel kan AI-modellen, ud over aktie- og obligations-ETF’erne fra første eksempel, også investere i valuta i form af den amerikanske dollar. Dollaren har en safe haven-status, hvilket betyder, at den typisk gør det godt i krisetider. Vi vil derfor forvente, at AI-modellen nu vil gøre det bedre i tider, hvor aktier har det svært.

Eksempel 2: AI-modellen kan investere i aktier, lange og korte obligationer samt i valuta. Klik på grafen for at se en større version.

• Afkast: 53,0%
• Største tab: -9,3%
• Sharpe Ratio (risikojusteret afkast): 1,17
• Rullende 12 måneders positivt afkast: 87%

Husk, at historisk afkast ikke er garanti for fremtidigt afkast.

Som forventet gør modellen det markant bedre. Afkast er marginalt mindre, men det største tab er mere end halveret, og det risikojusterede afkast er signifikant forbedret.

I det tredje eksempel tilføjer vi råvare-ETF’er (energi, ædelmetaller og fødevarer) til investeringsuniverset, som allerede indeholder aktie-, obligations- og valuta-ETF’erne fra andet eksempel. Råvarer har historisk set gjort det rigtig godt i inflationære perioder, så modellen skulle gerne vise bedre performance, særligt i 2022.

Eksempel 3: AI-modellen kan nu investere i aktier, lange og korte obligationer, valuta og råvarer. Klik på grafen for større version.

• Afkast: 98,1%
• Største tab: -12,1%
• Sharpe Ratio (risikojusteret afkast): 1,3
• Rullende 12 måneders positivt afkast: 95%

Husk, at historisk afkast ikke er garanti for fremtidigt afkast.

Igen ser vi en overordnet forbedring af modellens performance. Afkastet er markant forbedret, største tab en smule større, men det risikojusterede afkast og stabiliteten målt på rullende 12 måneders win-rate er yderligere forbedret.

Konklusion: AI som naturlig forlængelse af nuværende viden

Som det ses i de tre eksempler ovenfor, har det stor betydning, at vi giver den samme AI-model et fornuftigt udvalg at arbejde med. Hvad enten man arbejder med AI, og er professionel eller privat investor, er det derfor vigtigt at gøre sig nogle tanker om, hvordan ens investeringsunivers ser ud, og hvad man gerne vil opnå.

Når det er sagt, er det vores overbevisning, at en investors resultater i sidste ende i høj grad bliver et resultat af den proces, investoren bruger til at navigere eller tage eksponering mod aktier eller forskellige aktivklasser. Her er AI en, for os at se, naturlig forlængelse af vores nuværende viden til at opnå gode investeringsafkast.

Spørgsmålet er nemlig ikke, om AI kan forudsige finansielle markeder bedre end mennesker. Det rigtige spørgsmål er meget mere universelt: Kan vi overhovedet forudse finansielle markeder baseret på de tilgængelige data og information? Dette er det rigtige spørgsmål, for tror vi på det (og det gør vi i AI Alpha Lab), vil avanceret machine learning finde de kausale afhængigheder i data, lineære eller ikke-lineære, bedre end mennesker nogensinde kan gøre.

Hvis vi tror, at nogle mennesker er i stand til at sammensætte en proces baseret på tilgængelige data, der kan producere værdigivende prognoser, vil computere, med de samme data, også finde disse sammenhænge. Og hvis vi endelig tror, at der er en vis ikke-linearitet i de kausale afhængigheder i tilgængeligt data, vil computere gøre et meget bedre stykke arbejde med prognoser end mennesker.

AI er en måde at skalere den menneskelige viden, ligesom med en simpel lommeregner. En lommeregner er instrueret med koncepter; hvordan man lægger til, trækker fra, dividerer etc. På den baggrund kan lommeregneren udføre et langt hurtigere og mere resultatsikkert stykke arbejde, end mennesker nogensinde vil kunne. Meget forsimplet er det de samme principper, vi i AI Alpha Lab gerne vil introducere til investorer.

”The electric light did not come from the continuous improvement of candles.”

– Oren Harari

Denne blog er udarbejdet af AI Alpha Lab ApS (AI Alpha Lab) og indeholder alene information og inspiration til læseren. Bloggen skal ikke betragtes som investeringsrådgivning og kan ikke påberåbes som grundlag for en beslutning om køb eller salg (eller undladelse heraf) af værdipapirer. AI Alpha Lab påtager sig ikke noget ansvar for beslutninger eller dispositioner, der træffes eller foretages på baggrund af oplysninger i bloggen.

Bloggen udgør ikke og skal ikke betragtes som et tilbud eller en opfordring til at gøre tilbud eller til at deltage i eller udføre bestemte investeringer. Omtales investeringsstrategier eller porteføljer af værdipapirer skal læseren være opmærksom på, at disse ikke nødvendigvis er fordelagtige for alle investorer, samt at AI Alpha Lab ikke kender den enkelte læsers individuelle økonomiske forhold, risikopræferencer, investeringserfaring m.m.

AI Alpha Lab har taget alle rimelige forholdsregler for at sikre rigtigheden og nøjagtigheden af ​​oplysningerne i bloggen, ligesom bloggen er baseret på oplysninger indhentet fra kilder, der menes at være pålidelige. Rigtigheden og nøjagtigheden er dog ikke garanteret, og AI Alpha Lab påtager sig intet ansvar for eventuelle fejl eller udeladelser.

Oplysningerne i bloggen afgives på dagen for offentliggørelsen af bloggen og opdateres eller ændres ikke efterfølgende, medmindre andet tydeligt fremgår. Læseren opfordres til at søge individuel rådgivning om egne investeringsforhold.

Der gøres særligt opmærksom på følgende:

• Historiske afkast er ikke en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af valutaudsving.

• Ved udbredelse af investeringsanbefalinger skal der medfølge en række oplysninger for at sikre objektivitet og offentliggørelse af potentielle interessekonflikter. Oplysningerne kan findes i AI Alpha Labs MAR disclosure og rullende 12 måneders oversigt over investeringsanbefalinger.

____

Dette materiale er udarbejdet af AI Alpha Lab og indeholder information, der kan anses for at være en investeringsanbefaling i henhold til Markedsmisbrugsforordningen (Europa-Parlamentets og Rådets forordning 596/2014), dvs. information som anbefaler eller foreslår en investeringsstrategi vedrørende ét eller flere finansielle instrumenter. Nordnet Bank, filial af Nordnet Bank AB, Sverige (Nordnet), har ikke deltaget i udarbejdelsen, gennemgået eller foretaget ændringer i materialet. AI Alpha Lab har ansvaret for materialets indhold, og at det lever op til gældende lovgivning og regler.

Dette materiale blev offentliggjort første gang den 27. marts 2023 kl. 11:10.

Indholdet i dette materiale udgør ikke personlig investeringsrådgivning. Det er vigtigt, at du som investor træffer dine investeringsbeslutninger ud fra din egen vurdering af information fra forskellige kilder. Nordnet påtager sig intet ansvar for direkte eller indirekte tab som følge af brug af information fra dette materiale. Materialet må ikke gengives uden Nordnets udtrykkelige samtykke.

Det kan forekomme, at Nordnet har positioner i værdipapirer, der omtales i materialet. En sådan beholdning er da alene af administrative hensyn og uden fortjeneste for Nordnet.

Nordnet er under tilsyn af Finansinspektionen i Sverige og det danske Finanstilsyn.

Der er altid en risiko forbundet med at investere. Historiske afkast er ikke en garanti for fremtidige afkast. Finansielle instrumenter kan både stige og falde i værdi. Der er en risiko for, at du ikke får de investerede penge tilbage.