Hvilke 5 aktier vælger AI-modellen for juni måned?

Med en model baseret på sandsynligheder udvælger AI Alpha Lab hver måned de aktier, der ser ud til at give bedst afkast over tid. Her giver de et indblik i to af porteføljerne for juni og i den teori, der ligger bag modellen.

Nedenfor ses de fem aktier med højest vægtning i juni måned i hhv. vores globale og nordiske portefølje. 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:

Nordic Focus Portfolio:

Alle tal er baseret på modelporteføljeafkast. Periode: 01.01.2020 – 31.05.2022. 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.

Er det risiko eller usikkerhed?

Ud over at vise eksempler på de aktier, vores AI-model vælger, er vores mål med bloggen også at give læseren et indblik i den teori og viden, der er fundamentet for AI-modellen. I denne måned sætter vi fokus på sondringen mellem risiko og usikkerhed.

Frank H. Knight var en idiosynkratisk økonom, der formaliserede en sondring mellem risiko og usikkerhed i sin bog fra 1921, “Risk, Uncertainty, and Profit”. Som Knight så det, bringer en verden i konstant forandring nye muligheder for at træffe profitable investeringsbeslutninger, men det betyder også, at vi har ufuldkommen viden om fremtidige begivenheder.

Knight skelnede mellem to typer usikkerhed: risiko og ægte usikkerhed. Ifølge Knight gælder risiko for situationer, hvor vi kender de potentielle udfald på forhånd, og hvor vi nøjagtigt kan måle chancerne forbundet med de enkelte udfald. Et eksempel på risiko er at kaste et par terninger. Inden vi kaster, ved vi på forhånd, hvad chancerne er for hvert muligt udfald. Når vi deltager i et spil terninger, kan vi træffe optimale beslutninger med hensyn til udfaldsrummet, da det samlede fremtidige udfaldsrum er kendt på forhånd samt de tilhørende sandsynligheder.

Imidlertid står man over for risikoen for ugunstige, tilfældige resultater over begrænsede tidshorisonter. I ethvert hasardspil står vi på kort sigt altid over for risikoen for, at den rigtige beslutning fører til det forkerte resultat. Konvergens til middelværdien (loven om store tal) sikrer imidlertid, at styring af risiko på lang sigt er ret ligetil. Du matcher din investering til chancerne for, at den betaler sig.

Når usikkerhed er målbar risiko, er det muligt at designe politikker, der er optimale i gennemsnit. De gør det muligt for investorer at skelne mellem gode, dårlige, vindende og tabende investeringer. Desværre står de fleste problemer i det virkelige liv ikke kun over for risici – de står også over for en meget vanskeligere størrelse: usikkerhed.

Usikkerhed opstår, når vi ikke kender de mulige udfald på forhånd og heller ikke deres sandsynligheder. Ægte usikkerhed opstår i komplekse systemer, hvor masser af aktører interagerer over tid, og fremkommer af, at der i den fysiske virkelighed kan ske flere ting, end der vil ske.

Investorer har hidtil været begrænset i deres beslutningstagning gennem valget af den model, de anvender. Modellerne har udelukkende været baseret på historiske risikovurderinger og har ikke påtaget sig den komplekse opgave også at estimere modelusikkerheden.

Den fremtidige værdi af en investering

For at træffe optimale beslutninger under usikkerhed har man brug for et sæt fremtidige scenarier og den tilhørende sandsynlighed for deres realisering. Inden for investering kan scenariet være afkastforventningerne for nogle aktier. For at beregne den fremtidige værdi af en investering i en given aktie har man brug for det, man kalder “predictive uncertainty”. Direkte oversat til dansk: Prædiktiv eller forudsigelig usikkerhed.

Predictive uncertainty er summen af ​​to typer usikkerhed: aleatorisk og epistemisk usikkerhed. Aleatorisk usikkerhed eller datausikkerheder er den iboende usikkerhed i ikke-stationære data. Det er den eneste type usikkerhed, investorer har været i stand til at kvantificere indtil i dag. Derfor har investorer, bevidst eller ubevidst, gjort den antagelse, at aleatorisk usikkerhed kan tilnærme sig predictive uncertainty.

Antagelsen er bare kun sand, hvis vi yderligere antager, at den valgte model til enhver tid er den rigtige model. Dvs. at modellen kan forventes at præstere lige godt til enhver tid. Det er næppe sandt, og derfor er tilnærmelsen af datausikkerhed (​​historisk risiko) til predictive uncertainty i bedste fald mangelfuld.

Vi er nødt til at beregne epistemisk usikkerhed eller modelusikkerhed for at få en bedre forståelse af optimal investeringsbeslutningstagen. Det er ganske vist en skræmmende opgave, da det involverer beregningen af ​​alle de mulige modelspecifikationer, der er i stand til at forklare et givent datasæt, for at finde sandsynligheden for, at den valgte model er den rigtige.

Hidtil har dette ikke kunnet lade sig gøre, men muligheden for at gøre brug af machine learning-modeller baseret på bayesiansk tænkning har gjort os i stand til at kvantificere epistemisk usikkerhed og som sådan kvantificere predictive uncertainty. Resultatet er, at vi nu kan træffe investeringsbeslutninger på et meget mere informativt grundlag og skabe værdi, som ikke var muligt for bare fem år siden. Teorien bag disse machine learning-modeller har eksisteret i lang tid, men investorer kan reelt først udnytte dem nu, da den nødvendige beregningskraft ikke har været tilgængelig tidligere.

Læs mere om AI Alpha Lab, og hvordan AI-modellen skal hjælpe investorer til bedre afkast: Mød Nordnets nye blogger: 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 9. juni 2022 kl. 10.00.

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.