Momentuminvestering optimeret med AI

Problemet ved traditionel momentuminvestering

Momentuminvestering er en af de mest veldokumenterede kilder til merafkast på de finansielle markeder. Traditionelle momentumstrategier er typisk bygget på faste parameterdefinitioner; eksempelvis bliver der ofte kun brugt en eller få momentumlængder, og der tages typisk kun i mindre grad højde for mean reversion i lange momentumlængder.

Selvom den traditionelle tilgange historisk set har klaret sig godt, giver den investorerne en betydelig specifikationsrisiko: Risikoen for, at netop én bestemt momentumdefinition, valgt af investoren, ikke virker i fremtiden. 

De finansielle markeder er dynamiske, adaptive systemer, hvor afkast, volatilitet og korrelationer, udvikler sig over tid. Derfor kan en momentumstrategi, der er bygget op omkring en snæver specifikation, blive skrøbelig, når markedsforholdene ændrer sig.

AI Alpha Labs tilgang

Hos AI Alpha Lab bruger vi momentum anderledes. I stedet for at søge eksponering mod ét enkelt momentumsignal søger vi en bredere konceptuel eksponering mod momentumfaktoren. 

Vi kombinerer momentuminvestering med bayesianske neurale netværk for at gøre investeringsbeslutninger probabilistisk frem for deterministisk. 

I stedet for at spørge hvilke aktier der har det stærkeste momentum, estimerer vores proces, hvilke aktier der har den højeste sandsynlighed for at generere fremtidigt merafkast baseret på et bredt af momentumrelaterede karakteristika. 

Denne forskel er afgørende. Traditionelle momentumstrategier forsøger at optimere et bestemt signal, mens vores tilgang forsøger at indfange den underliggende adfærdsmæssige og strukturelle inefficiens, der driver momentum på tværs af forskellige markedsmiljøer.

Nedenfor har vi forsøgt at illustrere forskellen på AI Alpha Labs momentumstrategi og en klassisk 1-års momentumstrategi. Samme aktieunivers, 100 aktier i hver portefølje og alle aktier i porteføljerne har samme vægt, altså 1%. Porteføljerne er rebalanceret månedligt med samme handelsomkostninger.

 Alle afkasttal er baseret på simulerede porteføljeafkast for perioden 01.01.2020 - 30.06.2026. Valuta: EUR. Begge porteføljer er 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.

Momentum eksisterer, fordi de finansielle markeder ikke bruger information perfekt eller øjeblikkeligt. Investorer reagerer forskelligt på ny information, institutionelle friktioner forsinker prisdannelsen, og adfærdsmæssige bias skaber vedholdenhed i relativ performance. 

Det er vigtigt at bemærke, at denne inefficiens viser sig på tværs af flere tidshorisonter og forhold. Ingen enkelt momentumspecifikation dominerer konsekvent, fordi momentum i sig selv ikke er et statisk fænomen. En robust momentumstrategi kræver derfor et framework, der dynamisk kan tilpasse sig, efterhånden som markedsforholdene udvikler sig.

Det er her, vores bayesianske neurale netværk bliver afgørende. Vores AI-model aggregerer flere veletablerede momentumegenskaber, der spænder over forskellige horisonter, sammen med mål for mean reversion, volatilitet og korrelation. 

I stedet for at tildele disse input statiske vægte, estimerer vores probabilistiske AI-model hvilke sammenhænge, der er mest statistisk signifikante på et givet tidspunkt. 

Denne tilgang reducerer specifikationsrisikoen markant, fordi strategien ikke afhænger af ét parametervalg, én momentumhorisont eller ét fast markedsregime. Forskellige miljøer belønner forskellige former for momentum. Langsigtede trends kan dominere i stabile bullmarkeder, mens kortsigtede dynamikker eller mean reversion-effekter kan blive mere relevante i perioder med forhøjet volatilitet eller hurtig sektorrotation. 

AI-modellens probabilistiske natur giver os også en central fordel i forhold til traditionel momentuminvestering, som typisk rangerer aktier direkte ud fra historiske afkast. Vores AI-model vurderer derimod sandsynlighedsfordelingen for fremtidigt merafkast betinget af en akties momentum-, volatilitets- og korrelationskarakteristika. 

To aktier kan udvise tilsvarende historisk momentum, men modellen kan tildele dem meget forskellige sandsynligheder for fremtidig merafkast afhængigt af den bredere statistiske kontekst. 

Det bayesianske framework kvantificerer desuden den usikkerhed, der knytter sig til hvert estimat, således at to aktier med samme forventede merafkast kan være forbundet med meget forskellig prædiktiv usikkerhed. Det giver os mulighed for kun at bruge de estimater, hvor data indeholder information og undlade at bruge dem, som AI-modellen ikke kan estimere pålideligt. Det er en vurdering, som ikke er en del af traditionel momentuminvestering. Det forbedrer signifikant konsistensen i signalkvaliteten på tværs af skiftende markedsforhold.

Vores investeringsproces

Vores investeringsproces er fuldstændig systematisk og udelukkende prisbaseret. I begyndelsen af hver måned valideres prisdata for alle aktier i investeringsuniverset. AI-modellen trænes derefter på et bredt sæt af prisafledte egenskaber, herunder momentumsignaler på tværs af flere horisonter, kortsigtede mean reversion-indikatorer, volatilitetsmål og korrelationsdynamikker. 

AI-modellen estimerer det sandsynlighedsvægtede merafkast en måned frem for hver enkelt aktie i forhold til resten af aktieuniverset. Aktierne rangeres efter det sandsynlighedsvægtede merafkastestimat, og porteføljen sammensættes af de højest rangerede aktier i overensstemmelse med den ønskede porteføljekoncentration. 

Alle investeringsbeslutninger træffes udelukkende af AI-modellen uden menneskelig intervention, dog holder vi mennesker i AI Alpha Lab løbende øje med og kontrollerer alle led af processen. Processen er fuldt systematisk og udelukkende regelbaseret.

Ved at kombinere momentuminvestering med probabilistisk AI-modellering mener vi at have skabt fremtidens momentumstrategi, som er mere robust end traditionelle parameterspecifikke tilgange. 

Det bayesianske frameworks ensemble-karakter giver en bredere konceptuel eksponering mod momentum og reducerer afhængigheden af en enkelt specifikation. Det gør strategien i stand til at tilpasse sig skiftende markedsforhold mere effektivt.

I den forstand bør vores probabilistiske ensemblemomentum ikke betragtes som en erstatning for traditionelle momentumstrategier, men snarere som en mere adaptiv og komplementær videreudvikling af dem. 

En videreudvikling, der er designet specifikt til usikkerheden og kompleksiteten på moderne finansielle markeder. En videreudvikling der sikrer, at vi til enhver tid udelukkende har aktier i vores portefølje, hvor der baseret på data, er en forhøjet statistisk sandsynlighed for, at disse vil levere et positivt merafkast i fremtiden.