Hvilke kvalitetsaktier vælger AI-modellen i april?

I denne blog giver vi et opdateret indblik i, hvilke kvalitetsaktier vores AI-model tror på netop nu. Samtidig prøver vi at kaste lys over, hvorfor et almindeligt neuralt netværk ikke er optimalt til at vælge investeringer, og hvad fordelen er ved at bruge et baysiansk neuralt netværk i stedet.

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.