AI Alpha Labs månedlige abonnement har nu været tilgængeligt hos Nordnet i tre år. Vi vil derfor gerne kigge tilbage og evaluere på, hvordan porteføljerne har klaret det, samt se på forventningerne til de fremtidige afkast.

Da vi åbnede op for abonnementet, var målsætningen to ting: Dels ville vi gerne gøre den nyeste teknologi inden for aktieudvælgelse tilgængelig for helt almindelige danskere til en lav pris, og samtidig ville vi konstruere porteføljerne, så de var både interessante, praktisk anvendelige og havde den største sandsynlighed for at skabe merafkast til abonnenterne.

Det betød, at vi måtte træffe nogle valg. Fx omkring hvilke aktier, der skulle indgå i AI-modellens træning (dvs. investeringsuniverser), og hvor mange aktier, der skulle være i porteføljerne. Sådanne valg betyder meget, for hvordan en portefølje klarer sig over kortere perioder (1-3 år). Derfor vil vi både kigge på, hvordan porteføljerne faktisk har klaret sig og på, om de faktiske afkast er et resultat af AI-modellen eller nogle af de valg, vi har foretaget i opbygningen af porteføljerne. Det er nemlig afgørende for, hvilken tro vi kan have på porteføljernes fremtidige merafkast.

Stor variation i porteføljernes merafkast

US 15 Portfolio

Performance for porteføljen US 15. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast. Klik på graf for større version.

I vores US 15-portefølje trænes AI-modellen på de 200 største aktier i USA. Porteføljen har gjort det ekstremt godt og har outperformet den gruppe af aktier, som modellen er trænet på og kan vælge imellem, med mere end 25%-point.

Merafkastet har fordelt sig over alle tre år og har primært været drevet af en overvægt til teknologi, men i 2025 også en eksponering til guld i form af en høj vægt til selskabet Newmont.

Meget få aktive US-kapitalforvaltere har været i stand til at slå markedet over denne periode, så vi er meget tilfredse med afkastet. Men hvor robuste er resultaterne?

Der er mange måder at teste robusthed på, eksempelvis rebalanceringsperiode (som er månedligt for porteføljerne) og vægtningsalgoritme. Men en helt simpel robusthedstest er at variere antallet af aktier i porteføljen. Altså hvordan var det gået, hvis porteføljen havde haft et andet antal aktier?

Nedenfor ses udviklingen, såfremt porteføljen havde indeholdt dobbelt så mange aktier, altså 30 aktier. Det havde givet en mere diversificeret portefølje med lavere vægt til top-aktierne. Som det ses, ville en 30 aktiers portefølje også have klaret sig rigtig godt, og sammen med vores øvrige robusthedstests viser det en strategi med et godt fremtidigt afkastpotentiale.

Performance for porteføljen US 15 med 30 aktier. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast.Klik på graf for større version.

Nordic 15 Portfolio

Performance for porteføljen Nordic 15. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast.Klik på graf for større version.

Afkastet på den nordiske portefølje har ikke været imponerende. Porteføljen er over de tre år bagefter det aktieunivers, som modellen kan vælge fra, med 17%-point. Forklaringen på det er ganske enkelt, at AI-modellen har taget fejl i sine største aktievalg, dvs. sandsynlighederne har ikke udspillet sig, som AI-modellen forventede.

Det ses, hvis vi tester, hvordan en portefølje med 30 aktier havde klaret sig. Interessant er det, at den faktisk har slået aktieuniverset, som modellen kan vælge fra, over de tre år med mere end 10%-point.

Performance for porteføljen Nordic 15 med 30 aktier. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast.Klik på graf for større version.

Kombineret med vores øvrige robusthedstests viser det, at modellen har fungeret over perioden, men at performance på dette aktieunivers er mindre robust end på US 15-aktieuniverset. Forklaringen herpå ligger i diversiteten i det aktieunivers, vi træner AI-modellen på. Det nordiske univers består af ca. halvt så mange aktier som US 15, og diversifikationen i universet er mindre.

Begge disse faktorer gør det sværere at levere konsistente merafkast. Vi tror således på, at der fremadrettet vil være et signifikant potentiale i Nordic 15-porteføljen, men der vil være længere perioder, hvor modellen har svært ved at finde aktier, som kan gøre en forskel. Så tålmodighed er et nøgleord.

DK 10 Portfolio

Performance for porteføljen DK 10. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast.Klik på graf for større version.

Den danske portefølje blev lanceret i starten af februar 2024 og har således kun to års afkast siden opstart i abonnementet. Over perioden har porteføljen givet stort set det samme afkast som det aktieunivers, AI-modellen kan vælge fra, nemlig 1%-point lavere. Afkastet har ikke været imponerende, og forklaringen ligner i høj grad forklaringen fra den nordiske portefølje: Aktieuniverset består af 40 aktier og er forholdsvis koncentreret i nogle enkelte sektorer.

Som nævnt ovenfor er en AI-model som vores altid bedre og mere konsistent desto flere ukorrelerede aktier, den kan vælge imellem. Som med den nordiske portefølje betyder det, at vi tror fuldt ud på det langsigtede afkastpotentiale, men med mere variation undervejs sammenlignet med eksempelvis US 15-porteføljen.

Hvis vi laver 30-aktiers porteføljetesten, ser vi, at det ikke ændrer nævneværdigt ved afkastet (porteføljen leverer et merafkast på 2%-point). Det viser, at det ikke er det valg, som er afgørende for, hvordan AI-modellen gør det, og at afkastet over perioden alene er et resultat af, at AI-modellen har haft svært ved at finde information i data og derved ikke har ramt rigtigt over perioden.

Performance for porteføljen DK 10 med 30 aktier. Afkastgrafen starter i 2020, hvor AI-modellen blev lanceret. Historisk afkast er ingen garanti for fremtidigt afkast.Klik på graf for større version.

AI-model virker: Fuld tiltro til fremadrettet afkast

Selvom der har været ganske betydelig forskel på porteføljernes merafkast, så er en ting fælles: Den underliggende AI-model fungerer, som vi forventer. Det betyder, at vi har fuld tiltro til det fremadrettede, langsigtede afkast på alle porteføljer.

Som vist ovenfor kan der være stor variation i porteføljernes performance. Mindre markeder, med deraf færre aktier at vælge imellem, betyder, at vores AI-model kan have længere perioder, hvor den ikke kan finde signifikant information i data. Her er det værd at nævne, at vi langt fra kan medtage alle aktier på et marked i aktieuniverset. For det første skal aktierne være likvide, og selskaberne have en vis størrelse for overhovedet at være relevante for vores porteføljer. For det andet er vi nødt til at have adgang til gode historiske data om aktierne, ellers kan vi ikke træne AI-modellen på dem.

For at sætte porteføljernes afkastvariation i perspektiv, har vi bevidst valgt at starte alle afkastgraferne ovenfor i 2020, altså der hvor vi startede AI-modellen op. Det er for at vise, at AI-modellen har gjort det godt på både amerikanske, nordiske og danske aktier på den længere bane. Faktisk var AI-modellen bedre på nordiske og danske aktier i perioden 2020-2021 end på amerikanske aktier.

Det viser to ting: For det første er to eller tre år meget kort tid at vurdere afkast på. For det andet og endnu vigtigere understreger det værdien i at diversificere sig på tværs af porteføljerne/markederne og – selv om det kan være svært i turbulente tider – at man som investor skal forsøge at holde de lange briller på og leve med de bump, der kommer på vejen. Vi ser i hvert fald allerede nu frem til at kunne opdatere bloggen om to år, når abonnementet fejrer 5-års fødselsdag.

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.

AI Alpha Lab og deres ansatte ejer selv andele i AI Alpha Labs investeringsforening.

Dette materiale blev offentliggjort første gang 29. januar 2026 kl. 07:30.

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.

En meget håndgribelig tilgang vil være at tage et kig på vores investeringsforenings afkast. Vores AI-model vælger alle aktier; den nærmer sig sin toårs fødselsdag, og har pr. 6. november 2025 givet 45,6% i afkast, mens det generelle aktiemarked i samme periode har givet 39,5%, repræsenteret ved iShares Core MSCI World UCITS ETF.

Men i vores øjne er omkring to år alt for kort tid til, at man kan drage nogen konklusioner. Som med det meste andet, vi laver, vil vi gå til spørgsmålet ovenfor med en videnskabelig tilgang. For at gøre det har vi brug for en hypotese, vi kan teste.

Vi er nået frem til, at den mest relevante hypotese er følgende:

• ”Kan vi afvise, at AI kan træffe gode investeringsbeslutninger?“

Mange vil nok synes, det er en lidt omvendt hypotese – hvorfor ikke hellere bekræfte det? Det kan du læse mere om nedenfor.

Du kan investere med AI Alpha Lab på to måder
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Den er selvfølgelig tilgængelig for handel på Nordnet – også via aktiesparekontoen.

Ønsker du selv at investere i enkeltaktier, har du via Nordnet i de seneste 2½ år kunnet abonnere på AI Alpha Labs investeringsanalyseporteføljer. Abonnementet blev i februar 2024 udvidet med en dansk portefølje i tillæg til de to oprindelige – amerikanske og nordiske – porteføljer.

Du kan også følge AI Alpha Lab på Facebook og LinkedIn.

Videnskabens metode

Vi lever i en tid, hvor kunstig intelligens (AI) fylder mere og mere – i forskningen, i erhvervslivet og i den måde, vi træffer beslutninger på. Men der er en udbredt misforståelse, som går igen både i laboratoriet, på børsen og i mødet med AI: troen på, at teknologien eller dataene i sig selv leverer svarene.

Sandheden er den modsatte: God brug af AI begynder ikke med AI – den begynder med en hypotese. I videnskaben starter alt med et spørgsmål: Hvordan hænger det her sammen?

Forskeren formulerer en hypotese – en kvalificeret antagelse om, hvordan verden fungerer. En hypotese er ikke et bevis, men et forslag, der kan testes. Den videnskabelige metode handler derefter om systematisk at afprøve denne hypotese gennem observationer, eksperimenter og dataanalyse. Det afgørende er, at man ikke leder efter bekræftelse, men efter modbeviser.

En vigtig pointe, som mange uden for forskningsverdenen misforstår, er, at videnskaben sjældent beviser noget endegyldigt. I stedet søger man at modbevise hypoteser. Hvis en hypotese gang på gang overlever forsøg på at blive modbevist, opnår den større troværdighed – men den kan altid ændres, hvis ny evidens dukker op. En god forsker prøver aktivt at falsificere sin hypotese. Hvis det ikke lykkes, bliver den stærkere, men aldrig ufejlbarlig.

Et klassisk eksempel stammer fra videnskabsfilosoffen Karl Popper (1902–1994), der gjorde falsifikation til et centralt princip: En påstand er kun videnskabelig, hvis den kan falsificeres – altså hvis der kan tænkes et eksperiment, der kunne vise, at den er forkert. Eller med andre ord: En teori er kun videnskabelig, hvis den kan modbevises.

Det er netop denne evne til at blive udfordret, der adskiller viden fra overbevisning. Mange tror, at når “videnskaben har bevist noget”, så er det uigenkaldeligt sandt. I virkeligheden arbejder forskere med grader af sandsynlighed. Videnskabelig viden udvikler sig, når nye data ændrer vores forståelse.

En anden udbredt misforståelse er, at man kan “bevise” en sammenhæng blot ved at finde et mønster. Korrelation er ikke det samme som kausalitet – bare fordi to ting sker samtidig, betyder det ikke, at den ene forårsager den anden.

AI som videnskabeligt redskab, ikke som sandhedsorakel

AI er et kraftfuldt værktøj til at analysere data, finde mønstre og generere forslag. Det er dog kun så nyttigt som den hypotese, det arbejder ud fra.

Hvis man fodrer en AI-model med et dårligt formuleret spørgsmål, får man et hurtigt og velargumenteret – men stadig meningsløst – svar. Det er her, mange brugere fejler: De begynder med teknologien i stedet for tankegangen. Det samme princip gælder, når man investerer. Hver investering bygger på en investeringshypotese – en idé om, hvorfor en bestemt aktie, sektor eller strategi vil give afkast.

Den videnskabelige tilgang lyder således:

1. Formulér en hypotese. Hvad vil du undersøge eller afklare?
2. Brug AI til at teste eller udfordre den.
3. Led efter tegn på modbevisning – ikke bare på bekræftelse.

For eksempel kan en analytiker opstille følgende hypotese:
“Virksomheder, der investerer tidligt i bæredygtig teknologi, har bedre langsigtet indtjening.”

AI kan derefter hjælpe med at analysere regnskaber, markedstendenser og nyhedsdata for at teste, om hypotesen holder – eller skal forkastes. AI bliver her ikke en spåkugle, men et værktøj til systematisk tvivl.

Ligesom forskeren må investoren acceptere, at en hypotese kan vise sig at være forkert – og handle derefter. Det er ikke et nederlag, men en del af den videnskabelige proces.

I AI Alpha Lab møder vi ofte udsagnet: “Jeg tror ikke på, at AI kan skabe gode investeringsafkast.” Det er en problematisk tilgang, som ofte ikke bunder i andet end gisninger og halve sandheder. I stedet bør investorer – i vores optik – tilgå nye investeringsmuligheder, herunder AI, med følgende tilgang:
“Jeg tror på, at AI kan forbedre mine afkast – men lad mig prøve at modbevise det.”

Markedet som laboratorie

Investeringer er i bund og grund eksperimenter i økonomisk adfærd. Hver beslutning bygger på en hypotese om fremtiden. En investor kan for eksempel tænke: “Renten vil falde inden for et år, og det vil gavne ejendomsaktier.”

Hypotesen kan testes gennem dataanalyse, makroøkonomiske indikatorer og tidligere mønstre – noget, AI kan hjælpe med i stor skala. Men som i videnskaben skal man ikke kun søge bekræftelse; man skal spørge: Hvad kan modbevise min antagelse?

Hvis inflationen pludselig stiger, eller centralbankerne signalerer det modsatte, må hypotesen justeres. Investering bliver på den måde et eksperiment – ikke et dogme.

Fejlen mange begår

Både forskere, investorer og AI-brugere kan falde i den samme fælde – confirmation bias, dvs. tendensen til at søge beviser, der støtter det, man allerede tror på.

En investor, der er forelsket i teknologisektoren, eller en dataanalytiker, der allerede “ved”, hvad AI skal finde, vil næsten altid få det svar, de leder efter. De lærer bare ingenting nyt. Den videnskabelige tilgang kræver det modsatte: at man leder efter sprækkerne i sin egen logik. Det er dér, erkendelsen opstår.

Et eksempel: En investor tror, at “teknologiaktier altid stiger på lang sigt.” Hvis vedkommende kun læser positive nyheder om Apple og Microsoft og ignorerer faldende marginer i mindre tech-virksomheder, tester han ikke sin hypotese ærligt – han beskytter blot sit ego.

En mere videnskabelig tilgang ville være at spørge: “Under hvilke forhold klarer teknologiaktier sig ikke godt?” eller “Hvad kan modbevise min tese?” Denne tankegang hjælper investoren med at opdage svagheder i sin strategi, før markedet gør det.

Konklusion

Uanset om man arbejder i et laboratorium, på et investeringskontor eller med en AI-model, gælder den samme regel: Tænk først – spørg derefter. Videnskaben lærer os, at sandheden sjældent er absolut, men altid kan udfordres. Det samme gælder investering. Den bedste investor er ikke den, der altid har ret, men den, der hurtigst opdager, når han tager fejl – og handler rationelt på det.

AI kan hjælpe os med at analysere, simulere og forudsige – men det kan ikke definere, hvad der er værd at undersøge. Det kræver menneskelig nysgerrighed og evnen til at formulere en klar hypotese.

Så når man vil bruge AI effektivt, skal man ikke starte med at spørge: “Hvad kan AI fortælle mig?”

I stedet skal man spørge: “Hvilken hypotese kan jeg teste – og hvordan kan AI hjælpe mig med at udfordre den?” Det er ikke AI, der gør os klogere; det er måden, vi tænker på, før vi bruger den.

At tænke videnskabeligt – at opstille hypoteser, teste dem, søge modbeviser og opdatere sine konklusioner – er måske den mest undervurderede investeringsstrategi af dem alle.

I AI Alpha Lab bruger vi kunstig intelligens til at investere, men helt fundamentalt er vores virksomhed bygget på en hypotese: “Kan vi afvise, at AI kan træffe gode investeringsbeslutninger?”

Vi søger hver dag at modbevise denne hypotese – og indtil videre er konklusionen klar: Vi kan ikke modbevise, at AI kan træffe gode investeringsbeslutninger.

Baseret på de seneste godt fem år, hvor vores AI-model har været i funktion, samt de 20 års data, vi har testet modellen på tværs af alle likvide aktiemarkeder, viser resultaterne tydeligt, at en velgennemtænkt AI-model kan slå markedet signifikant over tid.

Er det ensbetydende med, at det også vil være sådan i fremtiden? Nej. Som nævnt ovenfor er det bedste, vi kan gøre, løbende at betvivle og teste vores model. Så længe vi kan afvise, at den ikke virker, kan vi have tiltro til, at vi også fremover vil kunne skabe et merafkast i forhold til det generelle aktiemarked.

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.

AI Alpha Lab og deres ansatte ejer selv andele i AI Alpha Labs investeringsforening.

Dette materiale blev offentliggjort første gang den 10. november 2025 kl. 09.00.

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.

Startende med denne blog vil vi de næste par gange vise nogle aktier, som vores globale AI-drevne investeringsforening aktuelt er investeret i, og hvor den har en større vægt end i det generelle aktiemarked. Med andre ord aktier, hvor vores AI-model helt aktuelt ser et ekstra potentiale.

Investeringsforeningen har sine investeringer spredt ud over mange sektorer, men lige nu er den overvægtet i solenergiaktier gennem aktierne nedenfor. Begge aktier er også en del af det generelle NASDAQ OMX Solar Index og udgør samlet 6,5 % af foreningens portefølje, mens solenergiaktier udgør mindre end 1 % af det generelle aktiemarked.

Dermed er solenergiaktier en signifikant aktiv eksponering i foreningens portefølje, hvilket er et udtryk for, at AI-modellen ser et væsentligt merafkastpotentiale i disse aktier i fremtiden.

Hjælper det en investor at få næste dags nyheder 24 timer i forvejen?

Når vi investerer, minder det i høj grad om at spille et spil med ukendte – men ikke helt tilfældige – udfald. Investering handler ikke blot om held, men om at udnytte de få statistiske fordele, vi faktisk har.

Alligevel viser erfaringen, at mange investorer ofte afviger fra den optimale strategi. De satser for meget, for lidt eller helt forkert, fordi følelser, intuition og kortsigtede reaktioner ofte tager over for rationel sandsynlighedsberegning. Netop derfor er det værd at se nærmere på, hvordan et tilsyneladende simpelt spil kan lære os noget essentielt om disciplin, strategi og systematik i investering.

Du kan investere med AI Alpha Lab på to måder
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Den er selvfølgelig tilgængelig for handel på Nordnet – også via aktiesparekontoen.

Ønsker du selv at investere i enkeltaktier, har du via Nordnet i de seneste 2½ år kunnet abonnere på AI Alpha Labs investeringsanalyseporteføljer. Abonnementet blev i februar 2024 udvidet med en dansk portefølje i tillæg til de to oprindelige – amerikanske og nordiske – porteføljer.

Du kan også følge AI Alpha Lab på Facebook og LinkedIn.

Et spil, hvor du kender sandsynligheden

Forestil dig, at du bliver tilbudt at deltage i et spil, hvor du får tildelt en startkapital på 25 dollars og herefter skal satse på udfaldet af møntkast i tredive minutter. Du får at vide, at mønten er skæv og har en sandsynlighed på 60 % for at lande på “krone”. Du kan satse, så meget du vil, på “plat” eller “krone” ved hvert kast. Du vil få en check på det beløb, du har tilbage ved slutningen af den halve time.

Ville du føle, det var værd at bruge din tid på at spille, eller ville du lade være? Hvordan ville du spille spillet? Hvilket system eller hvilke værktøjer ville du bruge?

Artiklen med titlen “Rational Decision Making under Uncertainty: Observed Betting Patterns on a Biased Coin” af Victor Haghani og Richard Dewey udforsker resultaterne af netop dette eksperiment med deltagere med relevant baggrund inden for matematik og økonomi.

I eksperimentet fik deltagerne mulighed for at satse på udfaldet af et møntkast med en kendt skævhed – mønten havde en sandsynlighed på 60 % for at lande på “krone”. Overraskende nok fulgte mange deltagere ikke en optimal betting-strategi. I stedet udviste de en række suboptimale adfærdsmønstre, herunder overbetting, underbetting, uforudsigelig og inkonsistent betting samt endda sats på “plat”, som kun har 40 % sandsynlighed.

Kun 21 % af deltagerne nåede den maksimale udbetaling (bestemt i eksperimentet) på 250 dollars, hvilket var langt under, hvad der kunne forventes, hvis de havde fulgt en simpel, konstant og procentvis betting-strategi. Derudover gik 28 % af deltagerne fallit og mistede deres startkapital fuldstændigt.

Hvad kan vi som investorer lære af dette? Med risiko for at gentage os selv fra tidligere blogs handler både dette eksperiment og investering om at kunne sin matematik og sandsynlighedsberegning.

Artiklen drøfter Kelly-kriteriet, en optimal betting-strategi til at maksimere formuen i spil med favorable odds. Kelly-kriteriet tilsiger, at man skal satse en konstant brøkdel af sin formue baseret på sandsynligheden for at vinde. I eksperimentet var den optimale indsats 20 % (2 * 0,6 – 1). En nærmere forklaring af Kelly-kriteriet falder uden for denne blogs formål, men du kan nemt finde meget mere information ved at søge på det.

Artiklen af Victor Haghani og Richard Dewey fremhæver, hvordan individer ofte har svært ved at træffe rationelle beslutninger under usikkerhed, selv når de præsenteres for fordelagtige muligheder. Den understreger behovet for forbedret økonomisk uddannelse og bevidsthed om optimale strategier i både spil- og investeringssammenhænge – og netop herigennem er probabilistisk AI af interesse for investorer.

Vi etablerede AI Alpha Lab, fordi ny teknologi (læs: AI) har muliggjort, at investorer nu kan analysere data ved hjælp af sandsynlighedsmodeller og træffe investeringsbeslutninger på baggrund af sandsynligheder.

Dette har ikke før været muligt, og da den menneskelige hjerne har meget svært ved at tænke i sandsynligheder samt overskue store datamængder, mener vi, det er oplagt at gøre (kritisk) brug af de nye muligheder, som AI-revolutionen løbende tilbyder investorer.

Med probabilistisk AI er det blevet muligt i praksis at basere investeringsbeslutninger på beregnede sandsynligheder, og vi kan ikke understrege nok, hvor vigtigt det er at have en systematisk og sandsynlighedsbaseret investeringsproces, hvis man vil maksimere muligheden for på lang sigt at opnå et investeringsresultat, som er bedre end gennemsnittet.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 8. september 2025 kl. 08.45.

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.

Nedenfor ses de tre aktier med mest vægt i vores amerikanske (S&P 500) AI-portfolio i juli. Aktierne er udvalgt af vores AI-model. Modellen kan investere i aktierne i S&P 500-indekset og udvælger i alt de 25 aktier fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Performance graf
(Figur 1)

Du kan investere med AI Alpha Lab på to måder.
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Den er selvfølgelig tilgængelig for handel på Nordnet, også via aktiesparekontoen.

Ønsker du selv at investere i enkeltaktier, kan du via Nordnet abonnere på AI Alpha Labs investeringsanalyseporteføljer. Abonnementet indeholder tre porteføljer: en amerikansk, en nordisk og en dansk.

Du kan også følge AI Alpha Lab på Facebook og LinkedIn.

Du skal ikke bare vide, du skal forstå!

Richard Feynman, en af det 20. århundredes mest indflydelsesrige fysikere, var kendt for sin evne til at formidle komplekse emner. Feynman skelnede skarpt mellem at vide noget og at forstå det. Denne sondring er lige så relevant inden for investering, som den er i fysikkens verden. Mens ‘at vide’ indebærer at huske fakta eller anvende formler uden dybere indsigt, er ‘at forstå’ en dybere integration af viden, der giver evnen til at forklare, forudsige og løse problemer på en grundlæggende måde.

I investering, hvor succes afhænger af beslutningstagning under usikkerhed, har Feynmans perspektiv stor betydning. At kende data, mønstre og modeller er ikke nok. Forståelsen af, hvordan og hvorfor disse mekanismer fungerer, kan være forskellen mellem middelmådige resultater og vedvarende succes. Dette er især relevant, når det kommer til brugen af probabilistiske modeller til at forudsige fremtidige aktieafkast.

Feynman illustrerede ofte forskellen mellem at vide og forstå gennem sine undervisningsmetoder. Han hævdede, at hvis du ikke kan forklare noget på en enkel måde, har du sandsynligvis ikke forstået det ordentligt. Han brugte analogier og dyb intuition til at få sine studerende til at stille spørgsmål som: Hvorfor? Hvordan? Hvad sker der, hvis vi ændrer dette?

For Feynman var forståelse ikke bare teoretisk – det var en praktisk evne til at anvende viden på nye og uforudsete problemer. Et af hans berømte citater understreger dette:

“What I cannot create, I do not understand.”

I investering betyder det, at forståelse kræver evnen til at forklare markedsdynamikker – ikke kun at kende historiske data eller anvende færdige modeller.

Betydningen for probabilistiske modeller

Probabilistiske modeller, såsom bayesianske modeller, er blandt de mest avancerede værktøjer i moderne investering. Disse modeller sigter mod at forudsige sandsynligheder for fremtidige udfald baseret på historiske data og ny information.

Men der er en fare for, at investorer bruger disse modeller uden at forstå deres begrænsninger og dynamikker. Altså, at de ‘ved’ modellen, men ikke ‘forstår’ den. For eksempel:

1. At kende sandsynligheden
   En investor kan bruge en bayesiansk model til at beregne, at der er 70 % sandsynlighed for, at en aktie vil stige i næste måned. Men uden at forstå modellen kan investoren overse, hvordan små ændringer i inputdata eller antagelser kan ændre sandsynlighederne drastisk.
   
2. At forstå sandsynligheden
   En investor med forståelse ved, at modellen kun er så god som de data og antagelser, den er baseret på. Investoren ved, at sandsynligheden afspejler usikkerhed, ikke sikkerhed, og forstår, hvordan resultaterne kan bruges i beslutningstagning snarere end at stole blindt på dem.
   
   Feynmans skelnen er særlig vigtig i investering, fordi markeder er komplekse og præget af kaos og usikkerhed. Probabilistiske modeller er ikke perfekte forudsigelsesværktøjer – de er værktøjer til at navigere i usikkerhed. Forståelsen af deres begrænsninger, og hvordan man bruger dem, er afgørende:
   

1. Usikkerhed og risiko
   Probabilistiske modeller hjælper med at kvantificere usikkerhed, men de kan ikke eliminere den. Investorer, der forstår dette, vil bruge sådanne modeller til at balancere risiko og afkast, snarere end at søge urealistisk præcision.
   
2. Bias og antagelser
   Mange modeller har en særlig bias eller er afhængige af antagelser, som ofte er skjulte. For eksempel kan en model antage, at markeder opfører sig normalt, selvom virkeligheden ofte er præget af ekstreme udsving. At forstå dette gør det muligt for investorer at justere deres strategier.
   
3. Beslutningstagning under usikkerhed
   At forstå sandsynligheder giver investorer en fordel ved at hjælpe dem med at træffe bedre informerede beslutninger, selv når resultaterne er uklare. Dette er kernen i Feynmans tankegang: Forstå værktøjerne, så de kan anvendes fleksibelt og præcist.

I AI Alpha Lab er vi overbeviste om, at vi for at lykkes i investering må bruge en feynmansk tilgang:

• Vi skal ikke bare kende modellerne, men forstå dem til bunds.
• Vi skal stille spørgsmål som: Hvorfor fungerer modellen? Hvornår fungerer den ikke? Hvilke antagelser bygger den på?
• Vi skal eksperimentere og bruge modeller som en vej til at forbedre vores intuition, ikke som en erstatning for den.

Probabilistiske modeller kan hjælpe med at navigere på aktiemarkedet, men de kræver, at vi forstår både deres styrker og begrænsninger. Som Feynman ville sige: ‘The first principle is that you must not fool yourself – and you are the easiest person to fool.’ Det prøver vi at leve og arbejde efter i AI Alpha Lab.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 3. juli 2025 kl. 9.00.

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.

Nedenfor ses tre af top-25 aktierne i vores Global Quality AI Portfolio for april. Aktierne er valgt af vores AI-model. Modellen kan investere i aktierne i MSCI World Quality Indekset og udvælger de 10% af aktierne fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Performance graf
(Figur 1)

Du kan investere med AI Alpha Lab på to måder.
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Den er selvfølgelig tilgængelig for handel på Nordnet, også via aktiesparekontoen.

Ønsker du selv at investere i enkeltaktier, har du via Nordnet de seneste to år kunnet abonnere på AI Alpha Labs investeringsanalyse porteføljer. Abonnementet er fra februar 2024 udvidet med en dansk portefølje i tillæg til de to oprindelige amerikanske og nordiske porteføljer.

Du kan også følge AI Alpha Lab på Facebook og LinkedIn.

Der findes AI til alle problemer – men alle problemer kan ikke løses af AI

Neurale netværk er rigtig gode til at løse deterministiske problemer – altså problemer, hvor vi kan antage, at der er en klar, entydig løsning, og hvor der ikke er meget usikkerhed. Et deterministisk problem kan være at genkende objekter på et billede (som fx at identificere en bil på et foto) eller at forudsige noget ud fra tydelige mønstre i data såsom vejrudsigter baseret på tidligere vejrdata. Når neurale netværk trænes på disse data, lærer de at genkende mønstrene og levere præcise resultater.

Derfor bruges neurale netværk i mange applikationer: Ansigtsgenkendelse, billedgenkendelse, sprogoversættelse og meget mere. De kan finde de mest sandsynlige svar, når de er trænet godt på bestemte data. Neurale netværk fungerer godt, når de data, de bruger, har klare mønstre og forudsigelige sammenhænge.

Men når vi skal træffe beslutninger under usikkerhed, som i investering, bliver traditionelle neurale netværk udfordret. Finansmarkederne er dynamiske og fulde af tilfældige faktorer, hvilket betyder, at en entydig løsning ikke altid er mulig. Der er ikke én klar “sandhed” om, hvordan en aktie vil udvikle sig – aktiemarkedet påvirkes af mange faktorer såsom økonomiske indikatorer, politik, nyheder og psykologiske effekter, der kan skabe stor usikkerhed.

Her er et bayesiansk neuralt netværk mere velegnet. I stedet for at levere et enkelt svar, giver et bayesiansk neuralt netværk en sandsynlighedsfordeling over mulige udfald. Det betyder, at netværket ikke kun kan give et gæt på, hvordan fx. en aktie vil præstere, men også hvor sikkert det er på dette gæt. Med andre ord kan det vise, hvilke mulige udfald der er mere sandsynlige end andre, og hvordan usikkerheden ser ud. Dette er særlig vigtigt ved investering, hvor forståelse af risiko og sandsynlighed kan være afgørende for at træffe informerede beslutninger.

Investering under usikkerhed

Du ønsker som investor at finde ud af, om en aktie vil stige i værdi. Et traditionelt neuralt netværk kan give ét klart svar, som kan være: “Aktien vil stige med 5%.” Men det giver ikke nogen oplysning om, hvor sikker den forudsigelse er, eller hvad de andre mulige udfald kan være.

Et bayesiansk neuralt netværk vil i stedet kunne sige: “Der er 70% sandsynlighed for, at aktien stiger med 5%, men der er også en 20% sandsynlighed for, at aktien falder med 3% samt 10% sandsynlighed for, at aktien stiger med 10%.” På den måde kan du som investor få en fornemmelse af risikoen og usikkerheden og træffe en mere informeret beslutning.

Hvordan fungerer det i praksis?

Forestil dig en gruppe mennesker, der holder i kanten af en stor faldskærm, som de ryster op og ned. På overfladen af faldskærmen er der nogle fordybninger og bump, og vores mål er at finde det laveste punkt på faldskærmen. Altså lige der, hvor den danner den dybeste skål. Lad os sige, at dette punkt repræsenterer den bedste løsning eller det bedste gæt på et problem. Nu kaster vi bordtennisbolde ind på faldskærmen for at finde det laveste punkt.

Et simpelt neuralt netværk vil kigge på faldskærmen og prøve at finde én enkel vej til det laveste punkt. Når vi kaster en bordtennisbold på faldskærmen, vil bolden rulle nedad og prøve at finde den laveste del af faldskærmen. Hver gang vi kaster bolden, justerer vi vinklen en smule for at finde en bedre vej, men bolden ruller altid direkte ned mod det dybeste sted, den kan finde i én fast bane.

I denne analogi repræsenterer bolden, der altid søger nedad, metoden hvorpå det neurale netværk gradvist justerer sine “trin” for at finde det bedste svar. Problemet med denne metode er, at den kun finder ét enkelt laveste punkt og giver én løsning uden at tænke over, om det er det helt rigtige svar, eller om der er noget usikkerhed omkring, hvor præcist det er.

Et bayesiansk neuralt netværk tager en lidt anderledes tilgang. I stedet for at kaste én bordtennisbold ind på faldskærmen, kaster vi en hel masse bolde samtidig – hver af dem repræsenterer et muligt gæt eller en mulig løsning. Fordi faldskærmen ryster lidt hele tiden, vil nogle bolde finde lidt forskellige ruter, og de vil ende forskellige steder på faldskærmen.

Det bayesianske neurale netværk bruger alle boldene til at danne et overblik over, hvor det ser ud til, at de fleste bolde samler sig i bunden. Det vil så se på, hvor tæt boldene ligger samlet – nogle gange vil de danne en meget lille klump, hvilket betyder, at løsningen er ret sikker. Andre gange er boldene spredt ud, og så ved det bayesianske netværk, at der er mere usikkerhed i løsningen.

I praksis betyder det, at et bayesiansk neuralt netværk ikke kun leder efter én løsning, men også prøver at forstå, hvor stor usikkerheden er omkring denne løsning – og det gør det velegnet til opgaver, hvor vi har brug for at kende sandsynligheden og ikke kun et enkelt svar.

Det er derfor, vi har valgt at bruge et baysiansk neuralt netværk til vores AI-model. Ingen kender fremtiden, heller ikke vores AI-model, så den vil aldrig med sikkerhed have ret. Den kan endda have lange perioder, hvor den ikke har ret, men på den lange bane gør den en investeringsusikkerhed til en medspiller i stedet for en modspiller.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 8. april 2025 kl. 12.15.

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.

Nedenfor ses 3 af top-25 aktierne i vores Global Quality AI Portfolio for januar. Aktierne er valgt af vores AI-model. Modellen kan investere i aktierne i MSCI World Quality Indekset og udvælger de 10% af aktierne fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Performance graf

Du kan investere med AI Alpha Lab på to måder.
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Den er selvfølgelig tilgængelig for handel på Nordnet, også via aktiesparekontoen.

Ønsker du selv at investere i enkeltaktier, har du via Nordnet de seneste to år kunnet abonnere på AI Alpha Labs investeringsanalyse porteføljer. Abonnementet er fra februar 2024 udvidet med en dansk portefølje i tillæg til de to oprindelige amerikanske og nordiske porteføljer.

Du kan også følge AI Alpha Lab på Facebook og LinkedIn.

4 eksempler på, hvordan du kan bruge AI Alpha Labs abonnement.

Vi får mange spørgsmål til vores abonnement, som vedrører brugen af porteføljerne, så man som abonnent øger sandsynligheden for, at abonnementet skaber værdi. I denne blog vil vi derfor gerne gennemgå robustheden i porteføljerne med særligt fokus på den amerikanske portefølje.

Med andre ord vil vi gerne vise, at det ikke er en specifik brug af porteføljerne, der er afgørende for værdiskabelsen, men at man kan bruge abonnementsporteføljerne på mange måder og få værdi deraf. Konklusionerne kan overføres til de øvrige porteføljer i abonnementet.

Metode 1: Invester i alle 15 aktier.

Lad os først se på hvordan den samlede US 15 portefølje, med alle 15 aktier, har klaret det, siden vi begyndte at sende porteføljerapporter ud til vores abonnenter i februar 2023:

Performance graf

Porteføljen med de 15 aktier har til trods for en svær start leveret et markant merafkast over den samlede periode. Vi ville ønske, at vores AI-model var en krystalkugle, som virkede hele tiden, men det er den ikke. Den leverer eksponering til en gruppe af aktier med en særlig risikopræmie, hvilket betyder, at abonnenterne bliver aflønnet over tid, men at deres investeringer i perioder vil underperforme markedet.

Metode 2: Invester kun i top-3 aktierne fra US 15 portefølje.

Hvad nu hvis man ikke vil handle alle 15 aktier i porteføljen, så man kan skære ned på både tidsforbrug og handelsomkostninger hver måned? Lad os se hvordan det var gået, hvis man kun havde investeret i top-3 aktierne hver måned fra US 15 porteføljen:

Performance graf:

Som det fremgår, øges afkastet over den samlede periode, men det samme gør volatiliteten, hvilket fordrer større tålmodighed og is i maven hos investoren. Med andre ord kræver denne tilgang en meget lang investeringshorisont, og at man som investor kan tolerere perioder med kraftige fald. Forklaringen er naturligvis den meget koncentrerede investering i kun 3 aktier set i forhold til en investering i 15 aktier. Lidt populært udtrykt er der smæk for skillingen med så koncentreret en portefølje.

Metode 3: invester i tre tilfældige aktier fra US 15 porteføljen.

Lad os nu prøve at lave et mere omfattende eksperiment for derigennem at teste, om det er afgørende, hvilke aktier man vælger fra porteføljen (eller hvor mange).

I eksperimentet laver vi 100 porteføljer ved abonnementets start, som hver især udvælger 3 tilfældige aktier fra US 15 porteføljen i begyndelsen af måneden og giver dem samme vægt (samme beløb investeret i hver aktie). Disse aktier beholdes frem til en ny måned begynder, hvorefter de sælges og 3 nye tilfældige aktier udvælges til den næste måned.

Dette gentages over hele perioden, og alle de 100 ”tilfældige” porteføljer sammenlignes med det samlede univers af aktier, som AI-modellen kan vælge fra, hvor alle aktier har samme vægt. Altså det ligevægtede univers.

Resultatet ses nedenfor:

De blå søjler viser, hvordan de 100 ”tilfældige” porteføljer har klaret sig over abonnementets levetid. X-aksen viser det årlige akkumulerede afkast. Dvs. 0.2 på x-aksen svarer til 20% afkast om året (altså annualiseret afkast). Y-aksen viser antallet af porteføljer med det specifikke afkast. Den lodrette røde streg repræsenterer det akkumulerede årlige afkast fra det ligevægtede univers (altså annualiseret afkast).

Vi kan se, at ved helt tilfældigt at udvælge 3 aktier fra US 15 porteføljen hver måned er der en ganske god sandsynlighed for, at man har fået et bedre afkast end det ligevægtede univers. Der er betydeligt flere af de 100 porteføljer, som ligger til højre for den røde streg, hvilket vil sige, at de har givet et højere afkast.

Metode 4: Invester i tre tilfældige aktier fra det samlede univers.

Laver vi samme øvelse, men hvor de 100 porteføljer tilfældigt udvælger 3 aktier fra hele det aktieunivers, som AI-modellen kan vælge fra, bliver resultatet som følger:

Heraf fremgår det, at der ikke er nogen forventet værdi ved blot tilfældigt at udvælge 3 aktier fra universet hver måned – hvilket vi heller ikke ville forvente. At kunne slå det ligevægtede univers med tilfældig udvælgelse er ikke en værdiskabende strategi.

Konklusion: Systematisk tilgang virker.

De overordnede konklusioner fra analyserne er uændrede, hvis vi havde valgt at investere i et andet antal ”tilfældige” aktier hver måned.

Vi håber, denne lille analyse kan inspirere til, samt øge forståelsen for, hvordan vores abonnementsporteføljer kan bidrage til abonnenternes langsigtede afkast.

Samtidig understreger analysen, hvor meget held og tilfældighed investering er præget af. De ”rigtige” valg bliver langt fra altid belønnet, men holder man som investor fast i en systematisk tilgang, der har en veldokumenteret værdiskabelse over lang tid, øger man sandsynligheden for at klare sig bedre end markedet.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 9. januar 2025 kl. 14.30.

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.

Hent hele månedsrapporten for oktober her med både danske, amerikanske og nordiske aktier. Rapporten er forbeholdt vores investeringsanalyse-abonnenter hos Nordnet, men denne måned har vi som en enkeltstående undtagelse valgt at give adgang til den, så læserne kan se, hvad abonnementet indeholder.

Påvirker det amerikanske præsidentvalg vores AI-model?

Det amerikanske præsidentvalg står for døren. Forleden blev vi i AI Alpha Lab spurgt, om vores AI-model inkorporerer, hvordan aktiemarkedet vil reagere på valget, og om den tager højde for udfaldet af valget ved udvælgelsen af aktier.

Svaret er JA, men nok ikke sådan, som de fleste vil tro.

For at forklare, hvordan AI-modellen inkorporerer information om præsidentvalget, må vi lægge ud med at forklare det statistiske koncept adding weak predictive models.

Summen af mange små bidrag

Konceptet adding weak predictive models (på dansk noget lignende at summere svage prædiktive modeller) handler om at kombinere flere mindre præcise eller “svage” estimater for at skabe et samlet, stærkere og mere pålideligt estimat.

I stedet for at stole på ét enkelt estimat, som kan være fejlbehæftet eller begrænset, forbedres præcisionen ved at kombinere mange små bidrag, som hver især giver en del af det samlede billede. Det kaldes også for en “ensemble approach”, hvor flere modeller eller estimater vægtes sammen for at opnå et bedre og mere robust estimat.

Det betyder det for aktiemarkedet

Når vi overfører princippet til aktiemarkedet, kan vi forstå en akties pris som summen af mange kvalificerede og halv-kvalificerede gæt eller analyser fra forskellige investorer og analytikere. Hver deltager i markedet har forskellige informationer, forventninger, analyser og antagelser, hvilket betyder, at deres estimater for en akties fremtidige værdi varierer. Nogle investorer baserer deres estimater på dybdegående forskning, mens andre er mere afhængige af intuition eller trends.

Ligesom med bønneglasset bliver det samlede markeds estimat af en akties værdi ofte det bedste gæt. Selv om hver enkelt investor måske ikke har hele sandheden eller ikke laver det perfekte estimat, vil markedets gennemsnit af alle disse analyser – repræsenteret i aktiens nuværende pris – ofte være det bedst tilgængelige estimat for aktiens værdi.

Ved at kombinere mange svage modeller eller analyser kan vi få et samlet stærkere og mere præcist billede. Det gælder både for simple scenarier som bønneglasset og for komplekse systemer som aktiemarkedet, hvor aktiepriserne bliver en refleksion af summen af mange forskellige gæt.

Aktiekurser som input til en probabilistisk AI-model

Ved at anse aktiekurser for at repræsentere summen af alle markedsdeltageres informationer, forventninger, analyser og antagelser omkring en virksomheds fremtidige indtjening, vækst og risiko, kan man forstå, hvorfor aktiekurser er relevant information for en probabilistisk AI-model som vores bayesianske neurale netværk.

Hver gang en aktiekurs ændrer sig, er det et resultat af nye informationer eller ændrede opfattelser hos investorer, som kollektivt afgør, hvad aktien er værd lige nu. Et bayesiansk neuralt netværk kan bruge denne prisdata som input til at analysere og forstå markedets kollektive adfærd og forventninger.

Faktisk er et baysiansk neuralt netværk specielt velegnet til at håndtere kursbevægelser, da disse, ligesom al finansiel data, er behæftet med stor usikkerhed og manglende information. Aktiekurser kan ofte være præget af tilfældige bevægelser og “støj”, men et baysiansk neuralt netværk kan anvende sin probabilistiske natur til at skelne mellem signaler (relevante mønstre) og støj.

Det gør det muligt at lave bedre estimater, da AI-modellen løbende kan opdatere sit syn på fremtiden i lyset af nye data. Når nye informationer, som regnskabsmeddelelser, politiske beslutninger eller makroøkonomiske indikatorer bliver offentliggjort, reflekteres disse hurtigt i aktiekurser. Et bayesiansk neuralt netværk kan bruge den hurtige kursændring og inkorporere informationen i estimatet af fremtidige afkast.

Sådan tager AI-modellen højde for præsidentvalget

Tilbage til spørgsmålet fra begyndelsen af bloggen: Vores AI-model inkorporerer markedets samlede forventning til udfaldet af det amerikanske præsidentvalg, idet den forventning er reflekteret i kursbevægelserne i markedet. Selv om det langt fra er en perfekt indikator, er det tæt på at være det bedste, vi har. Når det kombineres med en probabilistisk AI-model, gør det os i stand til at kvantificere sandsynligheden for, hvad der kommer til at ske på aktiemarkederne som resultat af det amerikanske præsidentvalg.

Som investor er det at beregne og basere sine investeringer på det mest sandsynlige det bedste, vi kan gøre. Vi må så leve med, at det mest sandsynlige ikke altid materialiserer sig i virkeligheden – men hvis vi følger sandsynlighederne igen og igen, vil vi ramme mere rigtigt end forkert over lang tid. Det er det vigtigste, når man vil skabe gode afkast.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 17. oktober 2024 kl. 09:45.

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.

Nedenfor ses fem af top-15 aktierne i vores Global Quality AI Portfolio for august. Aktierne er valgt af vores AI-model. Modellen kan investere i aktierne i MSCI World Quality Indekset og udvælger de 10% af aktierne fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Aktie	Ticker	Vægt
Super Micro Computer	SMCI.US	4,2%
A.P. Møller – Mærsk	MAERSK-B.CO	4,1%
NVIDIA	NVDA.US	4,1%
Albemarle	ALB.US	3,8%
Monolithic Power Systems	MPWR.US	3,7%

Afkast	AI-model	Ligevægtet univers
Totalt afkast	368,8%	106,1%
ÅTD	20,0%	8,6%
1 år	31,9%	15,3%
3 år (årligt)	31,3%	12,4%
Siden start (årligt)	40,0%	17,1%
Største tab	-33,5%	-29,6%
Årlig volatilitet	24,5%	15,9%
Sharpe Ratio	1,49	1,06

Alle afkasttal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 31.07.2024. Valuta: EUR. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Gunstig intelligens

Investering handler om at sammenholde mange forskellige data for i sidste ende at kunne komme frem til et konkret svar: Hvad er sandsynligheden for, at en investering vil give et godt afkast?

“Et selskab kommer med et godt regnskab og har gode fremtidsudsigter, men nye tal for makroøkonomien peger samtidig i en retning, som ikke er gunstig for selskabet. Hvad bliver konklusionen så?”

For at kunne gøre dette kræves det, at man som investor kan overskue store datamængder og gennemskue alle de kausale sammenhænge imellem data. Det vil sige, hvordan én type information påvirker noget andet information.

Det kan være, at et selskab kommer med et godt regnskab og har gode fremtidsudsigter, men at nye tal for makroøkonomien samtidig peger i en retning, som ikke er gunstig for selskabet. Hvad bliver konklusionen så? Her kan probabilistisk AI hjælpe os, da disse modeller netop kan sammenholde data og udlede en konklusion baseret på sandsynligheder.

I AI Alpha Lab er vi specialister i probabilistisk AI – også kaldet sandsynlighedsbaseret machine learning. Vi har med vores hold af økonomer og fysikere udviklet et såkaldt bayesiansk neuralt netværk, som er godt til lige netop det, investorer forsøger hver gang, de foretager en investering: Optimal beslutningstagen under usikkerhed.

Helt centralt og unikt ved vores AI-model er den bayesianske statistik, modellen hviler på, og som er i stand til at kombinere eksisterende information med ny information på en statistisk efficient vis.

Et eksempel fra lægevidenskaben

Det, vi virkelig godt kan lide ved den bayesianske formalisme, er, at den så let egner sig til stort set alle situationer i vores liv (vi lever jo i en usikker verden). Forestil dig fx, at du er en læge, der gerne vil vide, hvordan man skal informere en patient, der netop er testet positiv for en sjælden sygdom. Hvor meget mere sandsynligt er det, at patienten rent faktisk har denne sygdom, når patienten er testet positiv?

Lad os give et konkret eksempel: En patient går til lægen. Lægen udfører en test med en 99 procents pålidelighed, dvs. at 99% af de syge tester positivt, og 99% af de raske tester negativt. Lægen ved, at kun 1% af befolkningen i landet er syg. Nu er spørgsmålet: Hvis patienten tester positiv, hvad er chancerne så for, at patienten rent faktisk er syg?

Det intuitive svar er 99%, men det rigtige svar er 50%!

Løsningen på spørgsmålet kan let beregnes ved hjælp af Bayes’ formel. Thomas Bayes, som var præst og er fader til Bayesiansk sandsynlighedslære, levede fra 1702 til 1761. Han udtalte, at sandsynligheden for, at du tester positiv OG er syg, er et produkt af sandsynligheden for, at du tester positiv, GIVET at du er syg, og den “forudgående” sandsynlighed for at du er syg (prævalensen i befolkningen).

Bayes formel giver mulighed for at beregne en betinget sandsynlighed baseret på den tilgængelige information.

Bayes’ Teorem

• P(A) er sandsynligheden for hændelse A.
• P(B) er sandsynligheden for hændelse B.
• P(A|B) er sandsynligheden for at observere begivenhed A, hvis B er sand.
• P(B|A) er sandsynligheden for at observere begivenhed B, hvis A er sand.

Bayes’ formel er blevet brugt til at løse mange komplekse problemer inden for kvantefysik, atomfysik, medicinsk diagnosticering og avanceret dekryptering. Da formler ikke er alles kop te, kan forklaringen på spørgsmålet ovenfor opsummeres ved hjælp af følgende tabel, der illustrerer scenariet i en hypotetisk befolkning på 10.000 mennesker:

I dette scenarie er P(A) den ubetingede sandsynlighed for sygdom. P(A) er 100/10.000 = 0,01. P(B) er den ubetingede sandsynlighed for en positiv test. P(B) er 198/10.000 = 0,0198.

Det, vi gerne vil vide, er P(A|B), dvs. sandsynligheden for sygdom (A), givet at patienten har en positiv test (B).

Vi ved, at prævalensen af sygdom (den ubetingede sandsynlighed for sygdom) er 0,01 eller 1%. Dette er repræsenteret ved P(A). Derfor vil der i en befolkning på 10.000 være 100 syge og 9.900 ikke-syge.

Vi ved også, at testens følsomhed er 99%, dvs. P(B|A) = 0,99. Derfor vil 99 blandt de 100 syge teste positivt.

Vi ved også, at specificiteten også er 99%, eller at der er en fejlrate på 1% hos ikke-syge. Derfor vil 99 blandt de 9.900 ikke-syge have en positiv test. Af disse tal følger det, at den ubetingede sandsynlighed for en positiv test er 198/10.000 = 0,0198. Dette er P(B). Således er P(A|B) = (0,99 x 0,01) / 0,0198 = 0,50 = 50%. Fra ovenstående tabel kan vi også se, at givet en positiv test er sandsynligheden for sygdom 99/198 = 0,50 = 50%.

Kompleksiteten er større, når det kommer til investering

Selv et relativt simpelt eksempel som det ovenfor vil være uoverskueligt for de fleste mennesker, og kompleksiteten af data er proportionalt større, når det kommer til investering. Derfor er det i vores optik ikke så underligt, at de fleste investorer ikke kan levere bedre afkast end markedet over tid.

Vi tror på, at der er behov for mere sofistikerede modeller til at hjælpe investorer med at analysere de enorme datamængder, der er til rådighed, og som ofte kan pege i mange retninger.

Ved at basere investeringsbeslutninger på videnskabelige og statistisk funderede modeller, som det nu faktisk er muligt at gøre i praksis grundet den computerkraft, vi har til rådighed, kan investorer træffe mere velinformerede investeringsbeslutninger. I AI Alpha Lab søger vi at gøre vores AI-model så let tilgængelig som muligt, idet vi mener, at AI ikke skal være forbeholdt de få, men komme så mange som muligt til gode.

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 LabsMAR disclosureog rullende12 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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Global Quality AI Portfolio.

Dette materiale blev offentliggjort første gang den 12. august 2024 kl. 09.15.

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.

Nedenfor ses fem af top-10 aktierne i vores Global Quality AI Portfolio for maj. Aktierne er valgt af vores AI-model. Modellen kan investere i aktierne i MSCI World Quality Indekset og udvælger de 10% af aktierne fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Aktie	Ticker	Vægt
Super Micro Computer	SMCI.US	4,2%
NVIDIA	NVDA.US	4,1%
Paycom Software	PAYC.US	4,0%
Arista Networks	ANET.US	3,9%
Dick’s Sporting Goods	DKS.US	3,9%

Afkast	AI-model	Ligevægtet univers
Totalt afkast	350,1%	78,9%
ÅTD	15,3%	3,5%
1 år	50,9%	15,2%
3 år (årligt)	31,8%	11,7%
Siden start (årligt)	41,5%	14,4%
Største tab	-33,5%	-29,6%
Årlig volatilitet	25,1%	14,0%
Sharpe Ratio	1,50	1,02

Alle afkasttal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 30.04.2024. Valuta: EUR. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Status: Sådan er det gået de 3 porteføljer

I januar 2023 lancerede vi vores investeringsanalyse-abonnement i samarbejde med Nordnet. Derigennem får abonnenterne adgang til vores amerikanske og nordiske porteføljer og siden januar 2024 ligeledes vores danske portefølje. Vi synes derfor, det giver mening at gøre status og samtidig vise, at vejen til gode langsigtede afkast er brolagt med tålmodighed.

Alle porteføljerne i abonnementet udvælges af vores probabilistiske AI-model, som på baggrund af bl.a. prisdata på de respektive markeder beregner alle de mulige afkastscenarier, hver enkelt aktie i aktieuniverset kan realisere over den kommende måned. Med andre ord beregner AI-modellen sandsynligheden for, hvor hver enkelt aktie vil befinde sig en måned frem i tiden. Vores porteføljer består derfor af de aktier, AI-modellen tror, har den største sandsynlighed for at levere gode afkast den næste måned, og porteføljerne opdateres hver gang en ny måneds data er til rådighed.

I ordet sandsynlighed ligger, at vi naturligvis ikke ved præcis, hvad der kommer til at ske i fremtiden, og inden for investering er det et faktum, at vi faktisk ved meget lidt. Der findes ikke data, som med stor sandsynlighed kan fortælle os hvilken aktie, der vil levere det bedste afkast måned efter måned.

Det bedste, vi kan gøre, er derfor at basere vores investeringer på det mest sandsynlige og leve med, at en stor del af tiden sker det mest sandsynlige ikke. Men ind i mellem, når sandsynlighederne spiller sig ud, kan en probabilistisk tilgang gøre en signifikant forskel. I dag er der dog stort set ingen investorer, som gør brug af sandsynlighedsmodeller i deres investeringsproces, men vi vil gerne gøre det muligt for private investorer at lade sig inspirere af den nyeste teknologi. Det har vores samarbejde med Nordnet muliggjort, hvilket vi sætter stor pris på.

US 15 Portfolio

Nedenfor ses afkastet på vores US 15-portefølje, hvor vores AI-model trænes på de største amerikanske aktier og udvælger 15 til porteføljen.

Afkast	US 15 Portfolio	Ligevægtet univers
Totalt afkast	196,4%	74,9%
ÅTD	16,3%	4,8%
1 år	55,5%	18,0%
3 år (årligt)	26,9%	9,9%
Siden start (årligt)	28,5%	13,8%
Største tab	-33,8%	-35,9%
Årlig volatilitet	26,8%	19,0%
Sharpe Ratio	1,06	0,76

Alle afkasttal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 26.04.2024. Valuta: USD. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Som det kan ses af grafen, gør porteføljen ikke det store i forhold til det ligevægtede univers, fra vi lancerede abonnementet i januar 2023 og frem til oktober 2023. Faktisk er porteføljen lidt bagud på det tidspunkt. Til gengæld belønnes porteføljens store teknologieksponering i de sidste måneder af 2023, og det gode afkast er fortsat ind i 2024.

Porteføljen har på nuværende tidspunkt givet et afkast på ca. 45%, siden vi lancerede abonnementet, mens det ligevægtede univers har givet ca. 21%. De største eksponeringer i porteføljen lige nu er informationsteknologi, medicinal og energi, der samlet udgør lidt over 80% af porteføljen.

Nordic 15 Portfolio

Nedenfor ses afkastet på vores Nordic 15-portefølje, hvor vores AI-model trænes på de største nordiske aktier og udvælger 15 til porteføljen.

Afkast	Nordic 15 Portfolio	Ligevægtet univers
Totalt afkast	140,3%	60,5%
ÅTD	15,7%	3,2%
1 år	14,9%	9,9%
3 år (årligt)	-3,8%	0,6%
Siden start (årligt)	22,4%	11,5%
Største tab	-44,1%	-36,5%
Årlig volatilitet	26,9%	20,7%
Sharpe Ratio	0,86	0,64

Alle afkasttal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 26.04.2024. Valuta: EUR. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Af grafen fremgår det, at porteføljen har haft det svært siden 2022, og 2023 var heller ikke noget prangende år. Den nedadgående og sidelæns tendens blandt mange af de aktier, AI-modellen har kunnet vælge imellem, har gjort det svært for modellen at finde aktier, som kunne bidrage positivt til porteføljen.

Det er forventeligt, da AI-modellen er designet til at være bedst, når markederne stiger, hvilket de gør over tid. Derfor var det også tilfredsstillende at se, hvordan porteføljen kom godt igen, da markedet begyndte at stige i november 2023, og det gode afkast er fortsat ind i 2024.

Porteføljen har på nuværende tidspunkt givet et afkast på ca. 9%, siden vi lancerede abonnementet, mens det ligevægtede univers har givet ca. 14%. De største eksponeringer i porteføljen lige nu er medicinal, cyklisk forbrug og industri, der samlet udgør omkring 70% af porteføljen.

Danish 10 Portfolio

Nedenfor ses afkastet på vores Danish 10-portefølje, hvor vores AI-model trænes på de største danske aktier og udvælger 10 til porteføljen.

Afkast	Danish 10 Portfolio	Ligevægtet univers
Totalt afkast	326,9%	83,5%
ÅTD	20,3%	6,7%
1 år	36,0%	8,9%
3 år (årligt)	24,5%	7,7%
Siden start (årligt)	39,8%	15,1%
Største tab	-30,2%	-33,0%
Årlig volatilitet	26,9%	18,6%
Sharpe Ratio	1,34	0,82

Alle afkasttal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 26.04.2024. Valuta: DKK. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Den danske portefølje har kun været en del af abonnementet siden januar 2024, og der er derfor ikke så lang en periode at evaluere på. Porteføljen har fået en rigtig god start på 2024, og den har på nuværende tidspunkt givet et afkast på ca. 20% siden tilføjelsen til abonnementet, mens det ligevægtede univers har givet ca. 6%. Porteføljens eksponeringer lige nu er medicinal, industri og cyklisk forbrug.

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den 15. maj 2024 kl. 08:30.

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.

Nedenfor ses 5 af top-10-aktierne i vores Global Value AI Portfolio for marts. Aktierne er valgt af vores AI-model. Modellen kan investere i aktierne i MSCI World Value-indekset (IWVL) og udvælger de 10% af aktierne fra indekset, den tror mest på. Porteføljen rebalanceres hver måned.

Figur 1: Performance-graf. Kilde: AI Alpha Lab.

Alle performancetal er baseret på simuleret modelporteføljeafkast for perioden 01.01.2020 – 29.02.2024. Valuta: EUR. Ligevægtet univers: Ligevægtet portefølje bestående af alle aktier fra investeringsuniverset med lige vægt. Inklusive transaktionsomkostninger på 0,2% på alle handler. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udgør derfor ikke afkast fra en faktisk investering i perioden. Det understreges, at historiske afkast, hvad enten de er faktiske eller simulerede, ikke er en garanti for fremtidige afkast, ligesom afkastet kan variere som følge af udsving i valutakurser.

Nu kan du investere med AI Alpha Lab på to måder
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening, hvor aktierne vælges af deres sandsynlighedsbaserede AI-model. Selv om foreningen er helt ny, har den på rekordtid tiltrukket en masse investorer. På under 2½ måned rundede den 1.000 investorer. Den er selvfølgelig tilgængelig for handel på Nordnet, også via aktiesparekontoen.Ønsker du selv at investere i enkeltaktier, har du via Nordnet det seneste års tid kunne abonnere på AI Alpha Labs investeringsanalyse porteføljer. Abonnementet er fra februar 2024 udvidet med en dansk portefølje i tillæg til de to oprindelige amerikanske og nordiske porteføljer.

Afdækning af Simpsons paradoks

De færreste investorer er klar over, at hver gang de fortager en investering, står overfor Simpsons paradoks. I denne blog vil vi belyse, hvad dette paradoks er, og vi kan allerede nu afsløre, at probabilistisk AI er et effektivt framework til at løse den udfordring, som Simpsons paradoks indebærer.

Simpsons paradoks er et statistisk fænomen, der ofte forbløffer forskere og analytikere, og som har vidtrækkende implikationer inden for forskellige områder, herunder finans og investering. Paradokset opstår, når en tendens eller et forhold inden for et datasæt vender eller forsvinder, når data opdeles eller grupperes på en anden måde. Inden for finansverdenen, hvor dataanalyse er afgørende for at træffe velinformerede investeringsbeslutninger, er det vigtigt at forstå Simpsons paradoks.

Simpsons paradoks er opkaldt efter den britiske statistiker Edward H. Simpson (1922-2019), og det kan bedst illustreres med et klassisk eksempel inden for investering. Forestil dig, at vi analyserer afkastet fra to investeringsporteføljer over en bestemt periode.

Portefølje A har et højere gennemsnitlig afkast i forhold til Portefølje B. Imidlertid opdager vi, når vi opdeler data efter risikoniveau (altså introducerer en ny variabel i vores analyse), at Portefølje B konstant er bedre end Portefølje A inden for hver risikokategori. Dvs. Portefølje B har bedre risikojusteret afkast på trods af, at den har et lavere gennemsnitligt afkast. Dette illustrerer essensen af Simpsons paradoks.

Simpsons paradoks opstår, når datagrupper viser en bestemt tendens, men denne tendens vendes, når grupperne kombineres. At forstå og identificere dette paradoks er vigtigt for at kunne fortolke data korrekt.

Et endnu mere konkret eksempel er en præcisionskonkurrence om at løse flest kryds og tværs korrekt over to dage mellem dig og en ven. Din ven løser en højere andel end dig begge dage, men betyder det så, at din ven har løst en højere andel end dig, når de to dage kombineres? Ikke nødvendigvis!

Lørdag løste du 7 ud af 8 kryds og tværs korrekt, men din ven løste 2 ud af 2 korrekt. Du løste altså flere kryds og tværs korrekt, men din ven var mere præcis. Søndag forsøgte du kun med 2 kryds og tværs og løste 1 korrekt. Din ven løste 5 ud af 8 kryds og tværs korrekt og glædede sig igen over en højere andel.

Dog handler konkurrencen om at løse flest kryds og tværs korrekt over de to dage, ikke på individuelle dage. Samlet set har du løst 8 ud af 10 kryds og tværs korrekt, mens din ven har løst 7 ud af 10 korrekt. Så på trods af, at din ven løste en større andel kryds og tværs korrekt hver dag, vandt du faktisk konkurrencen ved at løse den højere andel over begge dage. Dette er et eksempel på Simpsons paradoks.

I hjertet af Simpsons paradoks ligger begrebet skæv aggregering. Når data kombineres uden at tage hensyn til underliggende variable, de kausale forhold imellem data, eller udeladt data, kan der opstå vildledende konklusioner.

I finansiel dataanalyse kan dette forekomme, når investorer udelader væsentlige data eller inkluderer nye data. Eksempelvis kan et nyt regnskab for en virksomhed se rigtig godt ud, men sammenholdt med eksisterende data, eksempelvis det nuværende makroøkonomiske miljø eller investor-sentiment, kan virksomheden være en dårlig investering.

Simpsons paradoks er et fascinerende statistisk fænomen med dybe implikationer inden for finans og investering. Investorer er nødt til at anerkende, at aggregerede data ofte kan skjule kritiske tendenser og sammenhænge.

Ved at omfavne en mere nuanceret tilgang til dataanalyse i form af de avancerede statistiske modeller, som ligger i begrebet AI, kan investorer i højere grad inkorporere store mængder data på en efficient måde. Derved tages der både højde for informationen i det enkelte datasæt, men også kausaliteten eller påvirkningen imellem datasæt og investorer kan derfor i sidste ende træffe mere informerede beslutninger.

I AI Alpha Lab er vi specialister i probabilistisk AI. Essensen af brugen af probabilistisk AI inden for investering er netop at kunne beregne alle de mulige fremtidige afkastscenarier for en aktie, mens det sikres, at beregningen tager højde for samspillet mellem store mængder data. På den måde tager vi i AI Alpha Lab højde for Simpsons paradoks, når vi vælger aktier.

Disclaimer

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.

AI Alpha Lab og deres ansatte ejer selv aktier i selskaberne i Danish High Conviction Portfolio.

Dette materiale blev offentliggjort første gang den [05/03/2024 og 12:05].

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.