Machine learning is een onderzoeksgebied dat methodes doorgrondt en ontwikkelt. Zo kan het vervolgens met behulp van data zijn eigen prestaties verbeteren zonder menselijke tussenkomst – het is een onderdeel van kunstmatige intelligentie (AI).
Algoritmes die gebaseerd zijn op machine learning, kunnen een model bouwen op basis van voorbeelddata (trainingsdata), dat in staat is om voorspellingen te doen of beslissingen te nemen zonder dat het daarvoor expliciet geprogrammeerd is.
Deze algoritmes worden ingezet op uiteenlopende manieren, in vakgebieden of op plekken waar het moeilijk of onpraktisch is om old school algoritmes in te zetten. Bijvoorbeeld in de geneeskunde, voor het filteren van e-mails, voor spraakherkenning en computer vision.
Handelen op basis van algoritmes gebeurt al heel lang in de beleggingswereld. Maar je zou AI ook in een eerdere fase van het beleggingsproces kunnen inzetten, om besluiten te nemen bij het opzetten van een portefeuille. De potentiële voordelen van AI zijn onder andere:
- Zijn superieure rekenkracht, waarmee je grote hoeveelheden data in korte tijd kunt laten analyseren;
- Het ontbreken van cognitieve vooroordelen zoals die waar de mens vatbaar voor is; AI is rationeler dan wij;
- Mogelijk kan AI mensen vervangen bij het voorspellen van het toekomstige rendement van aandelen of voor andere voorspellingen.
AI versus de analist
Sean Cao, Wei Jiang, Junbo Wang en Baozhong Yang, de auteurs van From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses in het Journal of Financial Economics van oktober 2024 onderzochten hoe AI presteert in vergelijking met menselijke analisten bij het voorspellen van aandelenrendementen. Ze zochten het antwoord op deze drie vragen:
- Onder welke omstandigheden zijn menselijke analisten in het voordeel vergeleken met AI?
- Kun je het rendement van aandelen nauwkeuriger voorspellen als je analisten én AI inzet?
- Wat zijn de implicaties als je wilt dat hoogopgeleiden AI breder gaan inzetten op hun werk en in besluitvormingsprocessen?
De auteurs bouwden hun eigen AI-model met als doel om het rendement van aandelen te voorspellen voor twaalf maanden; die periode kozen zij omdat analisten bij koersdoelen ook daarvan uitgaan. De uitkomsten waar het AI-model mee kwam, vergeleken zij vervolgens met de voorspellingen die analisten op hetzelfde moment voor dezelfde aandelen deden.
De onderzoekers verzamelden ook data op bedrijfs-, industrie- en macro-economisch gebied en informatie die afkomstig was van bedrijfsrapportages, nieuwsbronnen en sociale media. Die waren geactualiseerd tot vlak voor het moment dat de analisten aan de slag gingen met hun voorspellingen. Daarbij sloten de onderzoekers informatie die afkomstig was van eerdere voorspellingen van deze analisten uit, zodat het AI-model niet zijn voordeel kon doen met hun inzichten.
Hun sample van analistenvoorspellingen was opgebouwd uit de analistendatabase van het Thomson Reuters Institutional Brokers Estimate System (IBES). Na het samenvoegen van data van IBES met die van CRSP- en Compustat, bestond hun uiteindelijke sample uit 1.153.565, dus grofweg 1.2 miljoen, voorspelde koersdoelen voor de komende twaalf maanden over 6.315 bedrijven. Die waren opgesteld door 11.890 analisten van 861 verschillende effectenhuizen.
Ook bevatte deze sample 5.885.063 voorspellingen over de winst die 8.062 bedrijven in het eerste tot het vierde kwartaal volgens hen zouden behalen, afgegeven door 14.363 analisten van 926 effectenhuizen in de periode van 2001 tot 2018. Dat leidde tot de volgende elf bevindingen:
1. Een AI-analist, die getraind is om bedrijfsrapportages, trends in de industrie en macro-economische indicatoren te verwerken, leverde beter werk dan een meerderheid (54,5%) van de analisten bij het voorspellen van het rendement van aandelen. Dit zou kunnen komen door het superieure vermogen van een AI-model om informatie te verwerken of doordat het immuun is voor menselijke vooroordelen, die het gevolg zijn van beloningsprikkels of psychologische karaktereigenschappen.
2. Vergeleken met analisten van vlees en bloed behaalde het AI-model superieure rendementen: een alfa van 50 tot 72 basispunten per maand – statistisch significant op een niveau van 1% in vrijwel alle gevallen.
3. Het AI-model versloeg de analisten in de laaggeschoolde kwantielen ruim [ofwel: de groep die het minst goed presteerde van alle analisten, red.]. En AI presteerde vrijwel even goed als de beste analisten onder hen (analisten versloegen het AI-model 49,3% van de tijd), die de afgelopen vijf jaar uitzonderlijk goed hadden gepresteerd. Dat niveau haalde overigens slechts 7,3% van de analisten.
4. Macro-economische variabelen en bedrijfsrendementen leverden de grootste bijdrage (respectievelijk 27,6% en 24,4%) aan het succes van het AI-model. Daarop volgden data over bedrijfskenmerken (22%) en tekstuele informatie (9,3%). Dat benadrukt hoe belangrijk kwalitatieve informatie is. Informatie afkomstig uit winstdata leverde de kleinste bijdrage (2%).
5. De analisten versloegen AI in die gevallen dat institutionele kennis cruciaal was—bijvoorbeeld over immateriële activa en financiële problemen. Zo presteren zij beter bij het voorspellen van het rendement van kleinere en minder liquide bedrijven. Ook doen zij het beter als het gaat over sectoren of bedrijven die snelle veranderingen doormaken en als er sprake is van bedrijven die een verhoogd risico lopen op financiële problemen zoals afbetalingsproblemen of een faillissement.
6. AI wint wanneer de beschikbare informatie transparant is, maar omvangrijk.
7. Toen voorspellingen van analisten toegevoegd werden aan de dataset van de AI-modellen die de AI-analist aandreven, overtrof dit nieuwe model 54,8% van de voorspellingen die het AI-model op eigen kracht had gedaan en verminderde ook het aantal grote fouten.
8. Analisten en het AI-model maakten ongeveer evenveel grote fouten (respectievelijk 9,3% en 7,8% met een drempel van het 90e percentiel). Bij het gecombineerde model verminderde het aantal extreme fouten van menselijke analisten met ongeveer 90% en van die van het AI-model met zo’n 40%.
9. Het gecombineerde model maakt gebruik van de sterke, complementaire eigenschappen van mens én AI. AI blinkt uit in het verwerken van grote hoeveelheden data en het ontwaren van patronen; menselijke analisten voegen inzichten toe op basis van hun begrip van de nuances en de context. Dat resulteert in een sterker, betrouwbaarder instrument voor voorspellingen.
10. Analisten halen AI in wanneer "alternatieve data" beschikbaar zijn, mits hun werkgevers werk maken van het bouwen van een AI-model.
11. De nu gedocumenteerde synergie tussen mens en machine toont hoe de mens zijn sterkere kanten kan inzetten om zich beter aan te passen aan de kunde van AI, die zich steeds verder ontwikkelt.
Swedroe: Is the Era of Dormancy for Japanese Stocks Over?
Versterkt door AI
Misschien wel de interessantste bevinding van de onderzoekers was dat, hoewel het AI-model analisten overtrof bij het voorspellen van rendementen, de analisten het AI-model juist versloegen bij het voorspellen van de winst (de kans dat dit gebeurde, was 69,2%).
Het gecombineerde model waarin analisten en het AI-model samenwerken, overtrof op zijn beurt echter weer (met 55%) de voorspellingen die analisten op eigen houtje hadden gemaakt.
De onderzoekers kwamen tot de volgende conclusie: “Al met al ondersteunt deze studie de hypothese dat de capaciteiten van analisten kunnen worden versterkt door AI in te zetten. Een nog belangrijkere conclusie is dat het werk van analisten iets toevoegt aan en synergie kan opleveren als dat gecombineerd wordt met een AI-model ̶ vooral in complexe, snel veranderende situaties.”
De onderzoekers voegden hier nog aan toe: “De toekomst van AI blijft onzeker. Maar er zijn menselijke vaardigheden die een aanvulling vormen op AI, zoals onze studie heeft aangetoond. Dat laat zien dat dat er veelbelovende mogelijkheden zijn om Mens en AI-Machine te laten samenwerken en hun prestaties te versterken.”
Empirisch onderzoek naar prestaties van AI fondsen
Er is één studie gedaan naar de daadwerkelijke prestaties van door AI-gedreven beleggingsfondsen. Deze studie, genaamd Do AI-Powered Mutual Funds Perform Better? werd geschreven door Rui Chen en Jinjuan Ren en in augustus 2022 gepubliceerd in de Finance Research Letters en evalueert de prestaties van AI-gedreven beleggingsfondsen.
Hun dataset was afkomstig van de CRSP Survivor-Bias-Free US Mutual Fund Database en omvatte een periode van 26 maanden: van november 2017 tot december 2019. De onderzoekers categoriseerden AI-gedreven fondsen als fondsen die gebruikmaken van machine-learningtechnologieën om actief aandelen te selecteren.
Kwantitatieve fondsen definieerden zij als fondsen die vaste regels en numerieke methoden gebruiken voor door de computer gegenereerde modellen en om investeringsbeslissingen te nemen; en discretionaire fondsen als traditionele fondsen die vooral op basis van menselijke oordelen worden beheerd. Hieronder vindt u een samenvatting van de bevindingen van de onderzoekers:
1. De prestaties van door AI gedreven beleggingsfondsen waren statistisch niet te onderscheiden van die van de bredere markt tijdens 25 van de 26 maanden uit de periode dat de steekproef plaatsvond.
2. Door AI gedreven fondsen genereerden geen significante voor risico gecorrigeerde rendementen en toonden slechts marginale superieure aandelenkeuzevaardigheden (alleen op basis van gelijke gewichten) en geen markttimingvaardigheden.
3. Door AI gedreven fondsen presteerden beter dan de door mensen beheerde fondsen dankzij een lager verloop (31% versus 72%). Dat resulteerde in lagere transactiekosten en iets betere vaardigheden om aandelen te selecteren.
4. Door AI gedreven fondsen bevatten minder aandelen (149 versus 197), waardoor hun portefeuilles geconcentreerder waren.
5. Door AI gedreven fondsen vermeden enkele veel voorkomende gedragsmatige biases, zoals het zogeheten disposition effect. [door dit psychologische effect zijn beleggers geneigd om investeringen waarop zij winst maken op de beurs snel te verkopen, terwijl zij verlieslatende investeringen juist te lang vasthouden, red.]
Conclusies
De onderzoekers Cao, Jiang, Wang en Yang toonden aan dat voorspellingen over het rendement van aandelen verbeterd kan worden door de sterke eigenschappen van AI en menselijke analisten samen te voegen. Dat leidt tot betere resultaten dan slechts op één van de twee vertrouwen.
Hun onderzoek toonde ook aan dat AI-modellen en menselijke analisten elkaar aanvullen. AI blinkt uit in het verwerken van grote hoeveelheden data en het herkennen van beurspatronen. Mensen voegen op hun beurt begrip van de context toe, intuïtie en genuanceerde inzichten.
Het herkennen van deze synergie kan helpen bij het ontwerpen van systemen waarin zowel de inbreng van AI als die van de mens maximaal is. Tot op heden bestaat er echter nog geen bewijs dat door AI gedreven fondsen beter presteren op voor risico gecorrigeerde basis.
Misschien wel de belangrijkste conclusie is dat AI-modellen helpen om menselijke biases te vermijden. Daardoor worden de voorspellingen nauwkeuriger. Dat zou de financiële markten efficiënter moeten maken en de mogelijkheid om alpha te genereren door individuele aandelen uit te kiezen kleiner moeten maken.
Larry Swedroe is auteur of mede-auteur van 18 boeken over beleggen, waaronder zijn nieuwste boek Enrich Your Future.
Vertaling door Rentsje de Gruyter
