
Kwantitatieve strategieën vertegenwoordigen het beste van actieve en passieve benaderingen. Ze kunnen extra alfa genereren, maar tegen lage kosten en marktrisico's.
De wereld van het beleggen in aandelen is al lang onderverdeeld in actieve en passieve strategieën. Elke strategie heeft voordelen, maar de nadelen zijn moeilijk te negeren. Een derde benadering combineert echter enkele van de beste kenmerken van de bestaande strategieën: kwantitatief beleggen
Actief beleggen omvat doorgaans het opbouwen van geconcentreerde portefeuilles die beleggen in grondig onderzochte bedrijven met als doel beter te presteren dan de markt, ook wel alfa genoemd. Potentiële nadelen zijn de kosten en de consistentie. Beheerskosten en het risico van portefeuilleconcentratie kunnen deze benadering ongeschikt maken voor sommige beleggers.
Een passieve benadering daarentegen imiteert mechanisch een marktindex. Dat is zowel een goedkope als een relatief risicoarme manier om in aandelen te beleggen. Maar in ruil daarvoor geven beleggers alle vooruitzichten op om beter te presteren dan de markten.
Kwantitatieve strategieën, vooral die met een verbeterde indexstructuur, combineren het beste van beide werelden (zie Afb. 1). Gebouwd rond brede portefeuilles met een uitgebreide - zij het niet helemaal perfecte - overlap met marktindexen, vermindert hun breedte het risico. Die kleine verschillen in portefeuilles – de subtiele maar uiteindelijk belangrijke afwijkingen van referentie-indexen – zijn waar kwantitatieve strategieën alfa genereren.
Door gebruik te maken van enorme hoeveelheden gegevens die worden verwerkt door een op machine learning gebaseerd beleggingsmodel zijn deze strategieën in staat om te bepalen welke aandelen waarschijnlijk op korte en middellange termijn beter of slechter zullen presteren. Deze strategieën werken omdat, hoewel aandelen op langere termijn economische cycli en megatrends volgen, ze op korte termijn onderhevig zijn aan allerlei tijdelijke invloeden die hun koers wegdrijven van de onderliggende fundamentals. De schommelingen in het beleggerssentiment spelen hierbij een grote rol. De reactie van de markt op bedrijfsnieuws of veranderingen in de prognoses van analisten of een aantal factoren kan leiden tot vlagen van volatiliteit die afwijkingen in de aandelenkoersen veroorzaken. En het zijn die afwijkingen die kansen creëren voor kwantitatieve strategieën – die door deze prijsfouten heen kunnen kijken – om alfa te genereren.
Om prijsfouten op te sporen, gebruiken kwantitatieve strategieën algoritmes om verbanden te leggen in de gegevens die ze krijgen. Deze algoritmes fungeren als een kaart, met ingebouwde verkeersregels, om gegevens op een traject naar een reeks outputs te leiden. Hoe meer verschillende gegevenssets, hoe meer regels nodig zijn om hun interacties te regelen en hoe beter het model kan voorspellen wat er in de toekomst zal gebeuren op basis van eerdere relaties.
De menselijke touch
Deze modellen draaien automatisch. Maar ze moeten gebouwd, getest, verfijnd en onderhouden worden door menselijke experts. Mensen specificeren niet alleen de algoritmes, maar trainen ze ook met gegevens en hertrainen ze regelmatig zodat de modellen gelijke tred houden met de veranderende marktdynamiek. Experts moeten beslissen welke machine-learningtechniek gebruikt moet worden, welke soorten gegevens gebruikt moet worden – traditionele gegevenssets zoals bedrijfsaccounts kunnen worden aangevuld met alternatieve bronnen zoals kaarttransacties of sociale en traditionele media. Ze zijn nodig om de nauwkeurigheid en stabiliteit van de resultaten te garanderen en om de output te begrijpen. Ze bepalen de frequentie en omvang van de vereiste training. En ze moeten de modellen grondig trainen en testen met jarenlange gegevens. De overvloed aan mogelijke inputs betekent dat er een bijna oneindige variatie aan modellen mogelijk is.
Mensen zijn er tot op dit punt nauw bij betrokken, maar zodra een model is gekozen, dicteert het de aan- en verkoop van aandelen. Deze automatisering helpt niet alleen de emotionele vooroordelen van menselijke beleggers weg te nemen, maar bespaart ook kosten.
AI stimuleert kwantitatief beleggen ...
Artificiële intelligentie (AI) is niet nieuw, maar recente ontwikkelingen op het gebied van computerverwerking, cloud computing en open-sourcetools hebben de de drempel verlaagd voor het gebruik van machine learning (ML), een subset van AI.
AI stimuleert nu kwantitatief beleggen, waardoor de mogelijkheid ontstaat om Quant 2.0 te ontwikkelen (zie Afb. 2). De ongekende verwerkingscapaciteit van AI stelt de beleggingsmodellen in staat om steeds complexere relaties tussen een steeds groter aantal gegevensreeksen te volgen.
De traditionele kwantitatieve benadering is meestal beperkt tot het analyseren van een relatief klein aantal markteffecten die leiden tot tijdelijke prijsfouten. Dit biedt dan blootstelling aan bredere marktfactoren, zoals waarde of momentum. AI biedt de mogelijkheid van honderden potentiële signalen/kenmerken bij een hogere frequentie. Die worden gegenereerd op basis van gegevens zoals bedrijfsaccounts, aandelenkoersen, aantekeningen van analisten, persberichten, reacties van beleggers op nieuwe informatie op korte en langere termijn. En dat is nog maar het begin.
In tegenstelling tot traditionele machine learning, dat lineaire relaties binnen de datasets identificeert, kan AI veel complexere verbanden binnen de datapool vastleggen, waardoor het veel meer inzicht krijgt in wat aandelenkoersen drijft. Doordat de technologie complexere, niet-lineaire relaties kan identificeren, is ze vele malen beter in staat om verbanden tussen gegevensreeksen te vinden.
Traditionele kwantitatieve modellen specificeren een lineaire relatie tussen rendementen van aandelen en de signalen. In een traditioneel model zou bijvoorbeeld een upgrade van een bedrijf door een analist suggereren dat het aandeel beter zou presteren. Er zijn echter vele redenen waarom zo'n relatie op een bepaald moment niet standhoudt of niet tijdig wordt vastgelegd om alfa te genereren.
Een niet-lineair machine-learningmodel dat is getraind met historische gegevens kan de relaties identificeren die ons vertellen wanneer de upgrade van de analist het meest effectief toekomstige outperformance zou voorspellen. Dat kan zijn omdat er een breed scala aan analistenprognoses is, of omdat de analist in kwestie een uitschieter is of vanwege de timing – bijvoorbeeld als het bedrijf binnenkort resultaten rapporteert. Als het aandeel op grote schaal wordt geshort door hedgefondsen, kan het model vaststellen dat het waarschijnlijk onderhevig is aan een shortsqueeze, die resulteert in een veel dramatischere sprong in de aandelenkoersen dan de upgrade van de analist anders zou rechtvaardigen. Er zijn potentieel tienduizenden van deze 'conditionerende' niet-lineaire relaties in traditionele financiële gegevenssets die extra alfa kunnen genereren.
... om factorneutrale rendementen te leveren
Dit veel ingewikkelder kader maakt het voor de portefeuillebeheerders achter de strategie mogelijk om de aandelenspecifieke effecten die de aandelenkoers beïnvloeden te isoleren. Om dit te doen, verwijderen ze een groot aantal gemeenschappelijke factoren (markt, sector, regio, industrie, land, stijlen, economische blootstelling) uit de prestaties van elk aandeel. Zo kunnen ze puur bedrijfsgerelateerde alfa identificeren en extraheren.
Na verloop van tijd evolueren de algoritmes, begrijpen ze de veranderende economische en marktdynamiek en nemen ze nieuwe gegevensreeksen op.
Om effectief te zijn, hebben AI-modellen mensen nodig om de beleggingsparameters in te stellen. Maar zodra die zijn gespecificeerd, doet het getrainde algoritme de koop- en verkoopcalls voor individuele aandelen.
Omdat deze parameters het risico beperken, beperken ze ook de hoeveelheid alfa die de strategie genereert. Het samengestelde effect, zelfs van incrementele alfa, is echter krachtig na verloop van tijd. En aangezien de verwachte rendementen op aandelen wellicht zullen dalen naar mid-single digits te midden van hoge waarderingen na enkele topjaren, zal zelfs één tot twee procentpunten alfa een verschil maken. Als we bijvoorbeeld uitgaan van een hypothetisch marktrendement over de komende 10 jaar van 5% en een veronderstelde outperformance van 1,5 procentpunt per jaar na aftrek van vergoedingen, zal het wonder van rendement-op-rendement leiden tot een extra rendement van 24,8% voor de klant over het decennium.
Een flexibele benadering
Een van de grootste troeven van kwantitatieve strategieën is hun flexibiliteit.
Door de overlapping met onderliggende indexen te variëren, kan een kwantitatieve strategie worden aangepast om de mate van tracking error en risico aan te passen. De strategie kan worden aangepast aan de behoeften van een belegger door bepaalde aandelen of sectoren van het beleggingsuniversum uit te sluiten, terwijl toch het voordeel van een kwantitatieve benadering wordt geboden. Gezien de breedte van de portefeuilles van kwantitatieve strategieën, met posities in alle landen en sectoren, doen deze aanpassingen op maat geen afbreuk aan het vermogen om alfa te genereren. En hoewel er een hogere tracking error zou zijn voor een duurzame kwantitatieve strategie die bijvoorbeeld olie- en gasbedrijven of mijnbouwbedrijven uitsluit, dan voor een strategie zonder uitsluitingen, minimaliseert de kernfocus op risicobeheer in de opbouw van de portefeuille deze impact.
Een standaard verbeterd indexaanbod, met een risicoprofiel dat sterk lijkt op de benchmarkindex, biedt klanten een kernbelegging die een traditionele passieve benadering van het volgen van een index kan vervangen. Bij Pictet Asset Management zou een dergelijke benadering een kernweging inhouden in onze Quest AI-gestuurde strategie, mogelijk aangevuld met een belegging in een van Quests duurzame aandelenfondsen met een hogere tracking error en lagere bèta. En omdat kwantitatieve benaderingen een volledig scala aan koop- en verkoopsignalen geven, zijn ze geschikt voor long/short-strategieën, zoals Quest AI.
De sleutel tot kwantitatieve strategieën is het bouwen van het juiste model en het trainen ervan met voldoende van de juiste gegevens. Vervolgens moeten de juiste parameters worden ingesteld die aansluiten bij de risicobereidheid en andere vereisten van een belegger. Als dat alles eenmaal is bereikt, kan de kwantitatieve strategie incrementele aandelenspecifieke alfa genereren, waardoor beleggers niet langer blootgesteld worden aan algemene marktfactoren die het rendement vertroebelen. En dat tegen lage kosten en tegen marktrisico. Met andere woorden, het biedt het beste van zowel actieve als passieve beleggingsbenaderingen.