Spring til hovedindhold

AI-modellen: Aktier for oktober og ETF’er med mest potentiale

Se de fem aktier, modelIen har udvalgt for oktober, og hvilke ETF’er, der gemmer på størst potentiale, når AI Alpha Lab kører et univers af 10 indeks-ETF’er igennem deres AI-model.

Hver måned udvælger AI Alpha Labs model de aktier, hvor sandsynligheden for et positivt afkast er størst. I denne måned har de også kørt et univers af 10 indeks-ETF’er igennem modellen. Læs med her, hvor de giver dig indblik i porteføljerne.

Nedenfor ses fem aktier, som vi har valgt ud fra vores globale og nordiske porteføljer i oktober 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

Nordic Focus Portfolio

Alle tal er baseret på modelporteføljeafkast. Periode: 01.01.2020 – 30.09.2022. 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.

Et praktisk eksempel: Faktor-timing

Som nævnt i vores tidligere blogindlæg mener vi, at investorer indtil nu har været begrænset i deres beslutningstagen pga. valget af den model, de anvender.

De tilgængelige modeller har nemlig udelukkende været baseret på historiske risikovurderinger og har ikke påtaget sig den komplekse opgave også at estimere modelusikkerheden. 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.

I vores første blogindlæg fra juni 2022 brugte vi en del plads på at forklare om det – set med vores øjne – manglende fokus på modelusikkerhed blandt investorer. Vores tilgangsvinkel i indlægget var teoretisk, da vores arbejdsmetode altid er først at fastlægge teorien og derefter omsætte den til praksis. I denne måneds blogindlæg vil vi gerne have lov til at følge op med et praktisk eksempel om faktor-timing.

Svært i både teori og praksis

Faktorer såsom value, vækst, kvalitet, udbytte og momentum (på tværs af forskellige regioner) spiller en nøglerolle i de fleste institutionelle porteføljer. Der er en stærk konsensus blandt både praktikere og akademikere om, at timing af faktorer i bedste fald er svært.

Den teoretiske baggrund for denne konsensus er ikke temaet for månedens blogindlæg. Formålet med indlægget er at eksemplificere, at sandsynlighedsbaserede AI-modeller giver en attraktiv måde at inkorporere aktive faktorstrategier i en portefølje.

At forsøge at forudsige den fremtidige pris på et finansielt aktiv er i vores øjne af ringe interesse, da estimatet altid vil være omgivet af for meget støj til at være af stor værdi i sig selv. Hvad, investorer bør gøre, er at forsøge at forudsige sandsynligheden for en fremtidig aktiekurs. Først da kan vi begynde at træffe optimale investeringsbeslutninger under usikkerhed på en robust og konsistent måde.

Vi har testet vores sandsynlighedsbaserede AI-model inden for og på tværs af alle aktivklasser, og én ting er konsistent over hele linjen: Robuste merafkast kommer ikke fra afkastestimering (selvom de fleste investorer fokuserer netop derpå), men fra usikkerhedsestimering.

AI-model på univers af 10 indeks-ETF’er

Med nedenstående eksempel vil vi vise vigtigheden af ​​at investere gennem sandsynligheder ved at køre vores AI-model på et univers af 10 indeks-ETF’er på tværs af geografi og styles (value, vækst, kvalitet, udbytte, momentum, lav volatilitet og størrelse).

Indledningsvist bedes læseren bemærke, at dette ikke er et forsøg på at skabe en komplet og robust investeringsstrategi. Målet er at fremhæve vigtigheden af ​​at inkorporere usikkerhed.

Hver måned vil vi danne to porteføljer:

  • Den første portefølje vil købe indeks-ETF’erne i vores univers med afkastforudsigelser for den kommende måned i top 50% (den halvdel med de højeste afkastestimater).
  • Den anden portefølje vil kun købe indeks-ETF’erne i vores univers med afkastforudsigelser for den kommende måned i top 50%, hvis modelusikkerheden for det specifikke indeks er i de nederste 50% af universet. Dvs. de anvendte modelforudsigelser skal have relativ forklaringskraft.

Porteføljerne rebalanceres månedligt uden omsætningsgrænse og er altid fuldt investeret. Der er indlagt transaktionsomkostninger på 10 basispoint på al handlet værdi. Begge porteføljer er benchmarket mod et ligevægtet benchmark for hele universet i USD.

Test af ​​strategi, som IKKE udnytter usikkerhedsfunktionen i vores sandsynlighedsbaserede AI-model:

Det kan hurtigt konstateres, at vores avancerede bayesianske neurale netværk, der er i stand til effektivt at søge i enorme mængder data for alle lineære og ikke-lineære kausale strukturer, har begrænset succes med at producere afkastestimater.

Test af strategi, hvor vi udnytter usikkerhedsfunktionen i vores sandsynlighedsbaserede AI-model:

Dette er en alt-andet-lige-test, så alt andet er nøjagtigt det samme som i ovenstående test.

Resultaterne i den anden test ændrer sig dramatisk, blot fordi vi er selektive i vores brug af afkastforudsigelserne fra modellen. Meget få investorer og ingen økonomisk teori tager højde for modelusikkerhed. Vi mener, at det er en stor ukompenseret risiko i de fleste porteføljer i dag, uanset aktivklasse eller style.

I AI Alpha Lab skaber vi afkast ved at vide, hvad vi ikke ved. Sandsynlighedsbaserede AI-modeller giver ikke væsentligt bedre skøn over fremtidige afkast end de fleste andre modeller, der anvendes i dag. Kombinerer vi imidlertid skøn over fremtidige afkast med viden om AI-modellens usikkerhed omkring egne estimater (dvs. modellens evne til at fortælle os, hvornår vi IKKE skal bruge den), forbedrer det resultaterne betydeligt.

Til den interesserede læser kan vi oplyse, at ETF-porteføljen på nuværende tidspunkt er investeret i amerikanske og europæiske aktier i form af de brede indeks (SPY og EZU). Modellen ser således på nuværende tidspunkt ikke fremtidig værdi i hverken asiatiske eller emerging market-aktier, og ej heller værdi i overvægtning mod styles som value eller momentum.

Se mere om sandsynligsmodellen og AI Alpha Lab 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 selv aktier i selskaberne i Global Focus Portfolio.

Dette materiale blev offentliggjort første gang den 10. oktober 2022 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.

Er du stadig ikke Nordnet-kunde? Åbn depot, og opdag en lettere måde at investere på.

I kommentarfeltet nedenfor kan du som læser kommentere blogindlæggets indhold. Samtidig kan du tage del i andre læseres kommentarer. Kommentarindholdet repræsenterer derfor ikke Nordnets mening. Nordnet gennemgår ikke kommentarerne, før de offentliggøres, men vi fjerner upassende kommentarer, hvis de forekommer. Vil du vide, hvordan Nordnet håndterer dine personoplysninger, klik her.

guest
3 Kommentarer
Ældste
Nyeste Mest populære
Se alle kommentarer
Jens K Jensen
Jens K Jensen
2022-10-13 11:18

Som jeg læser artiklen, er den AI Sandsynlighedsvægtede model investeret i PCY og EZU og har resulteret i YTD afkast på -18,7%

EZU har iflg Nordnets historik YTD på -34,99% og PCY har -24,92%. I år er dollarkursen steget fra 655 til 765 altså +16,5%

Derfor beregner jeg YTD på:
-34,99 hvis 100% EZU
-23,7% hvis halvt af hver ETF
-12,7 hvis 100% PCY.

AI har åbenbart valgt overvægt af PCY (godt).

Det fremgår ikke af det ‘linkede’ materiale om AI regner i Danske kroner, men det gør den vel?

Mogens Nielsen
Mogens Nielsen
Svar til  Jens K Jensen
2022-10-13 13:40

Tak for advarslen – som jeg vælger at læse det. Og så er det ikke engang i danske kroner, men dollars – som det afsløres i svaret herunder.