Hvilke 5 aktier vælger AI-modellen for august måned?

AI Alpha Labs sandsynlighedsmodel skal hjælpe investorer til bedre afkast. Måned efter måned udvælger den aktier med størst sandsynlighed for et positivt afkast over tid. Her giver de et indblik i den globale og nordiske portefølje for august, og hvordan man kan sikre de mest nøjagtige forudsigelser.

Nedenfor ses fem aktier, som vi har valgt ud fra hhv. vores globale og nordiske porteføljer i august måned. Porteføljerne er langsigtede, og alle aktier i porteføljerne vælges af vores AI-model. De fulde porteføljer består af 20-30 aktier og opdateres månedligt.

Porteføljernes historiske udvikling

Global Focus Portfolio

Performance	AI-model	MSCI World (Net)
Total Return	65.8%	33.1%
YTD	-4.1%	-4.7%
1Y	6.9%	4.9%
Since Inception (ann.)	21.7%	11.8%
Max Drawdown	-31.3%	-33.3%
Ann. Volatility	26.1%	22.4%
Sharpe Ratio	0.86	0.59

Nordic Focus Portfolio

Performance	AI-model	OMX Nordic 40
Total Return	80.7%	27.4%
YTD	-13.6%	-8.7%
1Y	-8.6%	-4.2%
Since Inception (ann.)	25.9%	9.9%
Max Drawdown	-32.2%	-27.6%
Ann. Volatility	29.3%	22.5%
Sharpe Ratio	0.93	0.53

Alle tal er baseret på modelporteføljeafkast. Periode: 01.01.2020 – 31.07.2022. Valuta: DKK (Global) og SEK (Nordic). Inklusiv transaktionsomkostninger. Gebyrer afholdt af investor såsom administrationsgebyr og depotomkostninger er ikke inkluderet. Det understreges, at historiske resultater ikke er nogen pålidelig indikator for fremtidigt afkast, samt at afkastet kan øges eller mindskes på grund af udsving i valutakurserne.

Hvordan sikrer man de mest nøjagtige forudsigelser?

Fra at have forklaret om udfordringerne ved at træffe optimale beslutninger under usikkerhed i de seneste måneders blogindlæg, skifter vi i denne måned fokus til økonomiske forudsigelser – eller rettere problemet med økonomiske forudsigelser.

Vi er optaget af forudsigelser i de fleste områder af vores liv. Det er tilfældet med vejrudsigter, aktiemarkedet, sportsspil, forretningsbeslutninger og endda hverdagsbeslutninger som livsforsikring, eller hvornår man skal krydse gaden. Spørgsmålet er, hvordan vi kan sikre, at vores forudsigelser er mest nøjagtige?

Det korte svar er et framework baseret på probabilistisk tænkning (dvs. at tænke i sandsynligheder), som konstant korrigeres og justeres med ny information og senere analyseres og forbedres. De kvantefysiske og Bayesianske begreber, der ligger til grund for frameworket, springer vi over. Vi nøjes med at fremhæve det faktum, at frameworket i høj grad er på arbejde i den ubevidste del af den menneskelige hjerne, og det træffer sandsynlighedsbaserede beslutninger i mange hverdagssituationer, såsom at fange en bold eller køre bil.

Problemet er, at den del af hjernen, vi bruger til at lave forudsigelser for aktiemarkedet, økonomien, forretningsbeslutninger osv., ikke er baseret på denne form for tænkning.

Vores rationelle sind påvirkes af personlig bias og ego. Vi bliver for sikre på vores forudsigelser, og vi ønsker ikke at tage fejl. De faktorer kan sabotere objektiv rationalisering, ignorere relevante data og generere fejlfortolkninger omkring fremtiden.

Midt i alle disse problemer er den gode nyhed dog, at det rigtige framework for forudsigelser eksisterer og kan anvendes af os alle, ligesom fremkomsten af ​​komplekse machine learning-modeller i høj grad kan hjælpe den menneskelige hjerne hermed.

Fremtiden er ukendt

Vi laver forudsigelser hele tiden. Samlet set afspejler vores forudsigelser vores forventninger til, hvordan fremtiden bliver.

På trods af dette er forudsigelserne begrænsede i den forstand, at ukendte hændelser kan føre til utilsigtede konsekvenser. Usikkerhed opstår, da fremtiden kan have mange udfald a priori, men kun én realiseret tilstand. I AI Alpha Lab mener vi, at man ved at se verden gennem sandsynligheder kan bestemme den mest sandsynlige fremtidige tilstand og skalere ens beslutninger i overensstemmelse med sandsynligheden for, at denne specifikke tilstand materialiserer sig.

Tilgangen øger chancen for at have ret, men eliminerer aldrig risikoen for at tage fejl.

Vi lever i en kompleks verden, hvor selv en tilsyneladende lille begivenhed kan forårsage store ændringer. Vi vil undlade at bruge plads på den teoretiske baggrund, men et klassisk eksempel på kaosteori kaldet the butterfly effect har en vis forklaringsværdi:

Den amerikanske meteorolog Edward Lorenz opdagede, at i ikke-lineære systemer, som jordens atmosfære, kan selv små ændringer have en betydelig indvirkning. Hvis vindbanen ændres med en lille brøkdel, kan de langsigtede klimamønstre ændre sig drastisk. Populært sagt kan en sommerfugls basken med vingerne i Brasilien forårsage en orkan i Texas.

Sådan kan vi forbedre vores forudsigelser

På trods af begrænsningerne bør vi ikke afstå fra at lave forudsigelser eller ignorere vigtigheden heraf. Tænk fx på meteorologi. Vejrudsigter er relativt pålidelige, når de laves et par dage før. Det skyldes, at meteorologer analyserer nøjagtigheden af deres forudsigelser efter begivenheden. Ved at sammenligne deres forudsigelser med vejr i realtid kan de bedre forstå, hvordan vejret fungerer.

“For at forbedre vores forudsigelser er vi nødt til at sammenligne, hvad vi troede ville ske, med hvad der rent faktisk skete.”

Problemet er, at på andre områder måles nøjagtigheden af forudsigelser normalt ikke. For at forbedre vores forudsigelser er vi nødt til at sammenligne, hvad vi troede ville ske, med hvad der rent faktisk skete.

For eksempel var det medicinske felt indtil midten af ​​det 20. århundrede fyldt med eksperter, der stolede på deres mange års erfaring og troede på deres mange forskellige typer terapier og behandlinger. Mange af dem viste sig at være forkerte, og nogle forårsagede mere skade end gavn.

Fremkomsten af evidensbaseret medicin viste sig at være udfordrende for de læger, der stolede på deres erfaringer. De var usædvanligt modstandsdygtige over for testene, da de anså dem for uetiske.

Problemet her er, at det at føle man har ret, ikke er det samme som at have ret. Så at stole på data og målinger er en nyttig måde at fjerne enhver personlig bias.

At måle forudsigelser er ikke så let, som det lyder. Udover at indsamle forudsigelser, bedømme nøjagtigheder og lave beregninger, er der en række faktorer, der skal tages i betragtning.

For at sikre nøjagtigheden af ​​en forudsigelse skal du først forstå betydningen af ​​den oprindelige forudsigelse og den tilhørende realiseringshorisont.

Forudsigelser skal også undgå vage formuleringer og bruge tal for at øge nøjagtigheden. Ord som “kunne”, “måske” eller “sandsynligvis” er almindelige i forudsigelser, men undersøgelser viser, at modtagerne tillægger de ord forskellige betydninger. Forudsigelser bør derfor være så nøjagtige som muligt, fx ved at anvende procenter.

Gode ​​forudsigelser skal have et anker

Idet enhver situation er unik, skal man sørge for at undgå forhastede konklusioner. Den bedste måde at nærme sig ethvert spørgsmål på er ved at anlægge et perspektiv. Dvs. at etablere den oprindelige sandsynlighed for en begivenhed.

“Etablerer du ikke et anker, er der en stor sandsynlighed for, at din forudsigelse ender langt fra ankeret.”

Forestil dig fx en italiensk familie, der bor i et beskedent hjem i USA. Faren arbejder som bibliotekar, og moren har et fritidsjob i en daginstitution. De bor sammen med deres børn og en bedstemor.

Hvis du blev spurgt, hvad chancerne er for, at denne italienske familie har et kæledyr, kan du prøve at besvare spørgsmålet ved at tænke over deres livssituation. Er det din tilgang, kan du imidlertid springe nogle vigtige ting over!

I stedet for at se på detaljerne først, bør du begynde med at undersøge procentdelen af ​​amerikanske husstande, der ejer et kæledyr. Den kan du finde på få sekunder via Google, pt. er tallet 70%. Det er din ydre vision. Herefter kan du kigge på detaljerne og justere din procentdel.

I eksemplet med den italienske familie kan du nu være mere specifik og justere værdien. For eksempel kan du prøve at finde antallet af italienske familier, der bor i USA, som ejer et kæledyr. Dvs. at du nu har en startværdi eller et anker, som du kan arbejde videre fra. Etablerer du ikke et anker, er der en stor sandsynlighed for, at din forudsigelse ender langt fra ankeret.

Ekspertviden og skønsmæssige forudsigelser

En af de mest omfattende undersøgelser af menneskelig beslutningstagning blev udført af Philip Tetlock, en professor i anvendt psykologi og statskundskab. Han gennemførte et omfattende eksperiment mellem 1984 og 2003 omhandlende eksperters evne til at forudsige. Hvert år inviterede han eksperter fra en række forskellige områder, herunder finans, og bad dem om at forudsige en række variabler forbundet med deres respektive videnskabelige felt.

Det blev til i alt ca. 28.000 forudsigelser om fremtiden og resultatet var, at eksperterne i gennemsnit ikke var bedre end tilfældige gæt og normalt værre end grundlæggende ekstrapolationsalgoritmer (modeller, som gætter på, at fremtiden ser ud som i dag). Konklusionen er interessant, men ikke i sig selv særlig brugbar. Imidlertid så undersøgelsen også på kombinationen af ​​skønsmæssige ekspertforudsigelser og algoritmiske ankermodeller.

Eksperterne blev forsynet med en base-case fra ankermodellen og anmodet om at forudsige på baggrund heraf. Resultatet var, at værdien af forudsigelserne blev væsentligt forbedret, da forankringen reducerede både personlig bias og (over)tillid til egne forudsigelser.

Vores tilgang: Sandsynlighedsvægtede estimater af afkast

Selv den bedste investeringsanalyse, der konkluderer, at en bestemt vækstvirksomhed med gode kvalitetsegenskaber og en langsigtet konkurrencefordel er en god investering, er til ringe nytte, medmindre den kvantificerer sandsynligheden for sit eget resultat. Hvad er sandsynligheden for, at en investering ud fra denne analyse vil resultere i et fremtidigt afkast, hvor stort er det forventede afkast, og over hvilken tidshorisont skal det materialisere sig?

De fleste investorer kan kun give et vagt svar på disse spørgsmål, og i AI Alpha Lab ser vi det som en af de største udfordringer for aktiv investering i dag.

Vi har udviklet en AI-model baseret på sandsynligheder. Modellen tager forhåndsviden ind, vurderer det aktuelle problem, kombinerer og opdaterer igen og igen. På denne måde laver den sandsynligheds-vægtede estimater af fremtidige afkast på finansielle aktiver. Så man kan investere på baggrund af, hvad der er det mest sandsynlige udfald. Vi bruger denne systematiske proces måned efter måned, og i modsætning til de fleste andre investorer kan vi derfor måle og kvantificere ethvert estimat lavet af modellen, summe dem sammen og meningsfuldt tale om at have en kvantitativ fordel inden for investering.

“På den lange bane vil den sandsynlighedsbaserede spiller altid vinde.”

Efter vores mening har investorer for længe søgt efter det rigtige svar på det forkerte problem, stolet på modeller uden hold i den virkelige verden og kompromitteret de videnskabelige principper i modelbygning, hvilket ofte leder til modeller, som fortæller statistiske sandheder og ikke, hvordan verden faktisk ser ud.

I dag kan vi gøre det bedre. Vi har viden og computerkraft til at bygge sandsynlighedsmodeller, der overholder den fysiske virkelighed, vi lever i, og er i stand til at finde årsagsstrukturer i komplekse datasæt. Det gør det muligt for investorer at træffe optimale beslutninger under usikkerhed.

Det lyder måske nørdet eller ligegyldigt, men det gør faktisk en grundlæggende forskel. Det kan sammenlignes med to pokerspillere, hvor den ene spiller på baggrund af sandsynligheder givet sine kort og de fælles kort på bordet, mens den anden spiller alene på baggrund af de nuværende kort på hånden. For disse to spillere kan alt ske i den enkelte omgang, og over flere omgange kan spilleren, der ikke tænker i sandsynligheder, sagtens vinde mange hænder – men på den lange bane vil den sandsynlighedsbaserede spiller altid vinde.

Vi er langsigtede sandsynlighedsbaserede investorer.

Læs mere om AI Alpha Lab og deres sandsynlighedsmodel her: Mød AI Alpha Lab

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.

Som udgangspunkt vises de 5 aktier med højest vægtning i porteføljerne for indeværende måned. Dog er der indlagt det kriterium, at 2 aktier skal være forskellige fra aktierne vist i forrige blogindlæg.

De 2 aktier udvælges tilfældigt fra porteføljerne, men det vil blive tilstræbt at vise aktier fra forskellige sektorer og geografiske områder for løbende at kunne præsentere læseren for nye eksempler på aktier valgt af AI-modellen og dermed give et bredere indblik i, hvordan den arbejder. Et nyt blogindlæg med nye aktier betyder således ikke nødvendigvis, at aktierne vist i tidligere måneders blogindlæg ikke længere er en del af eller har fået en anden vægtning i porteføljerne.

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 ejer ikke aktier i de omtalte selskaber.

Dette materiale blev offentliggjort første gang den 11. august 2022 kl. 13:00.

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.