{"id":66638,"date":"2025-04-08T12:12:20","date_gmt":"2025-04-08T10:12:20","guid":{"rendered":"https:\/\/www.nordnet.dk\/blog\/?p=66638"},"modified":"2026-03-11T14:48:39","modified_gmt":"2026-03-11T13:48:39","slug":"hvilke-kvalitetsaktier-vaelger-ai-modellen-i-april","status":"publish","type":"post","link":"https:\/\/www.nordnet.dk\/blog\/hvilke-kvalitetsaktier-vaelger-ai-modellen-i-april\/","title":{"rendered":"Hvilke kvalitetsaktier v\u00e6lger AI-modellen i april?"},"content":{"rendered":"\n

I denne blog giver vi et opdateret indblik i, hvilke kvalitetsaktier vores AI-model tror p\u00e5 netop nu. Samtidig pr\u00f8ver vi at kaste lys over, hvorfor et almindeligt neuralt netv\u00e6rk ikke er optimalt til at v\u00e6lge investeringer, og hvad fordelen er ved at bruge et baysiansk neuralt netv\u00e6rk i stedet.<\/strong><\/p>\n\n\n\n

\n
Abonner p\u00e5 AI Alpha Lab<\/a><\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

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 udv\u00e6lger de 10% af aktierne fra indekset, den tror mest p\u00e5. Portef\u00f8ljen rebalanceres hver m\u00e5ned.<\/p>\n\n\n\n

Aktie<\/strong><\/td>Ticker<\/strong><\/td>V\u00e6gt<\/strong><\/td><\/tr>
Texas Pacific Land<\/a><\/td>TPL.US<\/td>4,0%<\/td><\/tr>
Neste Corporation<\/a><\/td>NESTE<\/a>.HE<\/td>3,6%<\/td><\/tr>
Arista Networks<\/a><\/td>ANET.US<\/td>3,1%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Performance graf<\/strong>
(Figur 1)<\/p>\n\n\n

\n
\"\"<\/figure><\/div>\n\n\n

<\/p>\n\n\n\n

Afkast<\/strong><\/td>AI-model<\/strong><\/td>Ligev\u00e6gtet univers<\/strong><\/td><\/tr>
Totalt afkast<\/td>375,2%<\/td>113,3%<\/td><\/tr>
\u00c5TD<\/td>-9,4%<\/td>-3,3%<\/td><\/tr>
1 \u00e5r<\/td>0,8%<\/td>5,2%<\/td><\/tr>
3 \u00e5r (\u00e5rligt)<\/td>17,7%<\/td>9,0%<\/td><\/tr>
Siden start (\u00e5rligt)<\/td>34,5%<\/td>15,5%<\/td><\/tr>
St\u00f8rste tab<\/td>-33,5%<\/td>-29,6%<\/td><\/tr>
\u00c5rlig volatilitet<\/td>23,6%<\/td>15,5%<\/td><\/tr>
Sharpe Ratio<\/td>1,37<\/td>1,00<\/td><\/tr><\/tbody><\/table>
Alle afkasttal er baseret p\u00e5 simuleret modelportef\u00f8ljeafkast for perioden 01.01.2020 – 31.03.2025. Valuta: EUR. Ligev\u00e6gtet univers: Ligev\u00e6gtet portef\u00f8lje best\u00e5ende af alle aktier<\/a> fra investeringsuniverset med lige v\u00e6gt. Inklusive transaktionsomkostninger p\u00e5 0,2% p\u00e5 alle handler. Gebyrer afholdt af investor s\u00e5som administrationsgebyr og depotomkostninger er ikke inkluderet. De viste afkast er simulerede og udg\u00f8r derfor ikke afkast fra en faktisk investering<\/a> 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 f\u00f8lge af udsving i valutakurser.<\/em><\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Du kan investere med AI Alpha Lab p\u00e5 to m\u00e5der.<\/strong>
AI Alpha Lab lancerede i slutningen af 2023 en global investeringsforening<\/a>, hvor aktierne v\u00e6lges af deres sandsynlighedsbaserede AI-model. Den er selvf\u00f8lgelig tilg\u00e6ngelig for handel p\u00e5 Nordnet, ogs\u00e5 via aktiesparekontoen.

\u00d8nsker du selv at investere i enkeltaktier, har du via Nordnet de seneste to \u00e5r kunnet abonnere<\/a> p\u00e5 AI Alpha Labs investeringsanalyse portef\u00f8ljer. Abonnementet er fra februar 2024 udvidet med en dansk portef\u00f8lje i till\u00e6g til de to oprindelige amerikanske og nordiske portef\u00f8ljer.

Du kan ogs\u00e5 f\u00f8lge AI Alpha Lab p\u00e5 Facebook<\/a> og LinkedIn<\/a>.<\/p>\n\n\n\n


Der findes AI til alle problemer – men alle problemer kan ikke l\u00f8ses af AI<\/h2>\n\n\n\n

Neurale netv\u00e6rk er rigtig gode til at l\u00f8se deterministiske problemer \u2013 alts\u00e5 problemer, hvor vi kan antage, at der er en klar, entydig l\u00f8sning, og hvor der ikke er meget usikkerhed. Et deterministisk problem kan v\u00e6re at genkende objekter p\u00e5 et billede (som fx at identificere en bil p\u00e5 et foto) eller at forudsige noget ud fra tydelige m\u00f8nstre i data s\u00e5som vejrudsigter baseret p\u00e5 tidligere vejrdata. N\u00e5r neurale netv\u00e6rk tr\u00e6nes p\u00e5 disse data, l\u00e6rer de at genkende m\u00f8nstrene og levere pr\u00e6cise resultater.<\/p>\n\n\n\n

Derfor bruges neurale netv\u00e6rk i mange applikationer: Ansigtsgenkendelse, billedgenkendelse, sprogovers\u00e6ttelse og meget mere. De kan finde de mest sandsynlige svar, n\u00e5r de er tr\u00e6net godt p\u00e5 bestemte data. Neurale netv\u00e6rk fungerer godt, n\u00e5r de data, de bruger, har klare m\u00f8nstre og forudsigelige sammenh\u00e6nge.<\/p>\n\n\n\n

Men n\u00e5r vi skal tr\u00e6ffe beslutninger under usikkerhed, som i investering, bliver traditionelle neurale netv\u00e6rk udfordret. Finansmarkederne er dynamiske og fulde af tilf\u00e6ldige faktorer, hvilket betyder, at en entydig l\u00f8sning ikke altid er mulig. Der er ikke \u00e9n klar “sandhed” om, hvordan en aktie vil udvikle sig \u2013 aktiemarkedet p\u00e5virkes af mange faktorer s\u00e5som \u00f8konomiske indikatorer, politik, nyheder og psykologiske effekter, der kan skabe stor usikkerhed.<\/p>\n\n\n\n

Her er et bayesiansk neuralt netv\u00e6rk mere velegnet. I stedet for at levere et enkelt svar, giver et bayesiansk neuralt netv\u00e6rk en sandsynlighedsfordeling over mulige udfald. Det betyder, at netv\u00e6rket ikke kun kan give et g\u00e6t p\u00e5, hvordan fx. en aktie vil pr\u00e6stere, men ogs\u00e5 hvor sikkert det er p\u00e5 dette g\u00e6t. Med andre ord kan det vise, hvilke mulige udfald der er mere sandsynlige end andre, og hvordan usikkerheden ser ud. Dette er s\u00e6rlig vigtigt ved investering, hvor forst\u00e5else af risiko og sandsynlighed kan v\u00e6re afg\u00f8rende for at tr\u00e6ffe informerede beslutninger.<\/p>\n\n\n\n


Investering under usikkerhed<\/h2>\n\n\n\n

Du \u00f8nsker som investor at finde ud af, om en aktie vil stige i v\u00e6rdi. Et traditionelt neuralt netv\u00e6rk kan give \u00e9t klart svar, som kan v\u00e6re: “Aktien vil stige med 5%.” Men det giver ikke nogen oplysning om, hvor sikker den forudsigelse er, eller hvad de andre mulige udfald kan v\u00e6re.<\/p>\n\n\n\n

Et bayesiansk neuralt netv\u00e6rk vil i stedet kunne sige: “Der er 70% sandsynlighed for, at aktien stiger med 5%, men der er ogs\u00e5 en 20% sandsynlighed for, at aktien falder med 3% samt 10% sandsynlighed for, at aktien stiger med 10%.” P\u00e5 den m\u00e5de kan du som investor f\u00e5 en fornemmelse af risikoen og usikkerheden og tr\u00e6ffe en mere informeret beslutning.<\/p>\n\n\n\n


Hvordan fungerer det i praksis?<\/h2>\n\n\n\n

Forestil dig en gruppe mennesker, der holder i kanten af en stor faldsk\u00e6rm, som de ryster op og ned. P\u00e5 overfladen af faldsk\u00e6rmen er der nogle fordybninger og bump, og vores m\u00e5l er at finde det laveste punkt p\u00e5 faldsk\u00e6rmen. Alts\u00e5 lige der, hvor den danner den dybeste sk\u00e5l. Lad os sige, at dette punkt repr\u00e6senterer den bedste l\u00f8sning eller det bedste g\u00e6t p\u00e5 et problem. Nu kaster vi bordtennisbolde ind p\u00e5 faldsk\u00e6rmen for at finde det laveste punkt.<\/p>\n\n\n\n

Et simpelt neuralt netv\u00e6rk vil kigge p\u00e5 faldsk\u00e6rmen og pr\u00f8ve at finde \u00e9n enkel vej til det laveste punkt. N\u00e5r vi kaster en bordtennisbold p\u00e5 faldsk\u00e6rmen, vil bolden rulle nedad og pr\u00f8ve at finde den laveste del af faldsk\u00e6rmen. 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 \u00e9n fast bane.<\/p>\n\n\n\n

I denne analogi repr\u00e6senterer bolden, der altid s\u00f8ger nedad, metoden hvorp\u00e5 det neurale netv\u00e6rk gradvist justerer sine \u201ctrin\u201d for at finde det bedste svar. Problemet med denne metode er, at den kun finder \u00e9t enkelt laveste punkt og giver \u00e9n l\u00f8sning uden at t\u00e6nke over, om det er det helt rigtige svar, eller om der er noget usikkerhed omkring, hvor pr\u00e6cist det er.<\/p>\n\n\n\n

Et bayesiansk neuralt netv\u00e6rk tager en lidt anderledes tilgang. I stedet for at kaste \u00e9n bordtennisbold ind p\u00e5 faldsk\u00e6rmen, kaster vi en hel masse bolde samtidig \u2013 hver af dem repr\u00e6senterer et muligt g\u00e6t eller en mulig l\u00f8sning. Fordi faldsk\u00e6rmen ryster lidt hele tiden, vil nogle bolde finde lidt forskellige ruter, og de vil ende forskellige steder p\u00e5 faldsk\u00e6rmen.<\/p>\n\n\n\n

Det bayesianske neurale netv\u00e6rk bruger alle boldene til at danne et overblik over, hvor det ser ud til, at de fleste bolde samler sig i bunden. Det vil s\u00e5 se p\u00e5, hvor t\u00e6t boldene ligger samlet \u2013 nogle gange vil de danne en meget lille klump, hvilket betyder, at l\u00f8sningen er ret sikker. Andre gange er boldene spredt ud, og s\u00e5 ved det bayesianske netv\u00e6rk, at der er mere usikkerhed i l\u00f8sningen.<\/p>\n\n\n\n

I praksis betyder det, at et bayesiansk neuralt netv\u00e6rk ikke kun leder efter \u00e9n l\u00f8sning, men ogs\u00e5 pr\u00f8ver at forst\u00e5, hvor stor usikkerheden er omkring denne l\u00f8sning \u2013 og det g\u00f8r det velegnet til opgaver, hvor vi har brug for at kende sandsynligheden og ikke kun et enkelt svar.<\/p>\n\n\n\n

Det er derfor, vi har valgt at bruge et baysiansk neuralt netv\u00e6rk til vores AI-model. Ingen kender fremtiden, heller ikke vores AI-model, s\u00e5 den vil aldrig med sikkerhed have ret. Den kan endda have lange perioder, hvor den ikke har ret, men p\u00e5 den lange bane g\u00f8r den en investeringsusikkerhed til en medspiller i stedet for en modspiller.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\n
Se mere og invester i foreningen her<\/a><\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

Denne blog er udarbejdet af AI Alpha Lab ApS (AI Alpha Lab) og indeholder alene information og inspiration til l\u00e6seren. Bloggen skal ikke betragtes som investeringsr\u00e5dgivning og kan ikke p\u00e5ber\u00e5bes som grundlag for en beslutning om k\u00f8b eller salg (eller undladelse heraf) af v\u00e6rdipapirer. AI Alpha Lab p\u00e5tager sig ikke noget ansvar for beslutninger eller dispositioner, der tr\u00e6ffes eller foretages p\u00e5 baggrund af oplysninger i bloggen<\/em>.<\/p>\n\n\n\n

Bloggen udg\u00f8r ikke og skal ikke betragtes som et tilbud eller en opfordring til at g\u00f8re tilbud eller til at deltage i eller udf\u00f8re bestemte investeringer. Omtales investeringsstrategier eller portef\u00f8ljer af v\u00e6rdipapirer skal l\u00e6seren v\u00e6re opm\u00e6rksom p\u00e5, at disse ikke n\u00f8dvendigvis er fordelagtige for alle investorer, samt at AI Alpha Lab ikke kender den enkelte l\u00e6sers individuelle \u00f8konomiske forhold, risikopr\u00e6ferencer, investeringserfaring m.m.<\/em><\/p>\n\n\n\n

AI Alpha Lab har taget alle rimelige forholdsregler for at sikre rigtigheden og n\u00f8jagtigheden af oplysningerne i bloggen, ligesom bloggen er baseret p\u00e5 oplysninger indhentet fra kilder, der menes at v\u00e6re p\u00e5lidelige. Rigtigheden og n\u00f8jagtigheden er dog ikke garanteret, og AI Alpha Lab p\u00e5tager sig intet ansvar for eventuelle fejl eller udeladelser.<\/em><\/p>\n\n\n\n

Oplysningerne i bloggen afgives p\u00e5 dagen for offentligg\u00f8relsen af bloggen og opdateres eller \u00e6ndres ikke efterf\u00f8lgende, medmindre andet tydeligt fremg\u00e5r. L\u00e6seren opfordres til at s\u00f8ge individuel r\u00e5dgivning om egne investeringsforhold.<\/em><\/p>\n\n\n\n

Der g\u00f8res s\u00e6rligt opm\u00e6rksom p\u00e5 f\u00f8lgende:<\/em><\/p>\n\n\n\n