Hur används AI vid investeringar?

Hur används maskininlärning vid investeringar? 

JP Morgan, världens största investmentbank, uppskattar att investerare som använder AI/maskininlärning kommer ha en fördel över traditionella investerare i framtiden. Dagens tillgång till en stor mängd elektroniska data innebär en möjlighet för investerare att göra informerade investeringsbeslut i realtid. Exempelvis kan analys av onlinepriser på tusentals produkter ge en uppskattning av inflationen idag istället för att man måste vänta på nästa kvartalsmätning. Utmaningen är att analysera och urskilja information från brus i ostrukturerad data vilket är precis vad maskininlärning är bra på. Dessutom "lär" sig en maskininlärningsalgoritm av sina misstag och hela tiden blir bättre på sin uppgift.

Klippet ovan visar utvecklingen för två olika strategier mellan januari 2001 - januari 2019. Röd utveckling motsvarar en strategi baserad på traditionella metoder medan blå är en strategi som använder maskininlärning. Maskininlärning har används för att bestämma och förutspå risken i marknaden vilket indikeras med olika bakgrundsfärger:

Grön = lugn marknad (låg risk för stor förlust)
Gul = verkens lugn eller skakig marknad (mellan risk för stor förlust)
Röd = skakig marknad (hög risk för stor förlust)

Den blåa strategin använder riskprediktion för att allokera mer eller mindre till aktier. Mer specifikt, den blåa strategin allokerar 50%/50% till aktier/räntor (SPY/GOVT) i det gula området, 25% mer till aktier i det gröna området och 25% mindre till aktier i det röda området. Resultatet är 2,5% högre avkastning/år, mindre stora förluster, 33% högre riskjusterad avkastning och totalt 120% högre avkastning över hela tidsförloppet. Notera att i klippet ovan blir maskininlärningen bättre och bättre på att "lära sig" vilket resulterar i att den blå strategin levererar bättre avkastning relativt den röda strategin desto längre tid som går eller desto mer data som blir tillgänglig.

Vad är maskininlärning?

Maskininlärning är ett begrepp som hör hemma inom datavetenskap, statistik, artificiell intelligens och mönsterigenkänning. Med matematiska modeller "lär" man datorn statistiska samband genom att först träna datorn och sedan låter datorn lära sig själv. Datorn kan på så sätt förbättra sin prestanda allteftersom mer data blir tillgänglig. En självkörande bil exempelvis. Bilen lär sig först att köra genom att en människa kör. Därefter, allteftersom den kör av sig själv och får mer erfarenhet förbättrar den sin egen inlärning och därför körning.

Varför använder man maskininlärning?

Idag görs många datamätningar elektroniskt och kontinuerligt av enheter som är anslutna till internet. ”Internet of things” har bidragit till en enorm tillströmning av ostrukturerade data. Uppskattningsvis har hela 90% av dagens tillgängliga data skapats under enbart de senaste två åren. Det är en av anledningarna till att dataintensiva metoder inom maskininlärning fått ett kraftigt genombrott. Maskininlärning kan lära sig att hitta samband i ostrukturerade data och urskilja trender och signaler som är omöjliga för en människa. Därför kan en sofistikerad investerare med tillgång till både data och smart maskininlärning göra informerade investeringsbeslut istället för att förlita sig på subjektiva antaganden.

Används maskininlärning inom finans?

Förväntningarna är att maskininlärning kommer både effektivisera och automatisera flera olika processer inom finans i framtiden. Tillgängligheten till mycket data gör finans till ett naturligt applikationsområde av maskininlärning. Dock innehåller den mesta finansiella datan slumpartat brus vilket gör det svårt att avgöra om ett samband är på riktigt eller bara av en tillfällighet. Nyckeln till att applicera maskininlärning inom finans är att definiera och förstå problemet som man försöker lösa väl och undvika s.k. "black-box" lösningar. Det är anledningen till att maskininlärningsexperter med djup teoretisk förståelse och erfarenhet efterfrågas av samtliga banker och kapitalförvaltare. Om man inte förstår problemet man försöker lösa eller metoden som man använder finns det stor risk att man hittar ett falskt samband som inte gäller i framtiden. Exempelvis kan ett neuralt nätverk hitta ett samband bland helt slumpartad data även om ett sådant inte existerar.

Vad är ett exempel på hur maskininlärning används vid investeringar?

Maskininlärning kan appliceras på flera olika steg i investeringsprocessen. Nedan går vi igenom ett exempel där vi m.h.a. maskininlärning analyserar data, förutspår risken i marknaden och sedan använder informationen för att skapa en strategi.

Vår tes är att genom att analysera mer data med maskininlärning kan man bättre förutspå risken i marknaden än med klassiska metoder. Notera att det är flera gånger bevisat att det är omöjligt att förutspå avkastning vid investeringar. Däremot är det möjligt att förutspå risk. Exempelvis erhöll Robert F. Engle Nobelpriset i ekonomi 2003 efter att ha bevisat just detta. Målet med detta exemplet är att förutspå risk på ett effektivt sätt och sedan använda denna informationen för att skapa en bra investeringsstrategi.

Datan som vi analyserar är fem olika finansiella tidsserier. Korrelationen mellan aktier i utvecklade och tillväxtländer, tioåriga minus tvååriga räntan, korrelation mellan risk och avkastning av olika tillgångsslag, risken i marknaden och VIX - volatilitetsindex. Vi applicerar klusteranalys som sedan "tränas" för att hitta olika kluster som definierar risken i marknaden. Notera att klusteranalys tillhör de enklaste och mest transparenta maskininlärningsmetoderna och därför undviker vi en black-box lösning. Klippen nedan visar 1) (övre klippet) utvecklingen för de olika finansiella tidsserierna och vår maskininlärning som kontinuerligt indikerar den förväntade risken med olika färger i bakgrunden. Röd = hög risk, grön = låg risk, gul = verken hög eller låg risk. 2) (undre klippet) visar samma riskprediktion som i 1) men nu också daglig avkastning av S&P500 som en indikator på den faktiskt risken i marknaden (stor spridning = hög risk). Notera hur vår maskininlärning lyckats identifiera och lära sig att förutspå perioder med hög, låg och medel risk.

För att få en uppfattning om maskininlärningen gjort ett bra jobb jämför vi med en "klassisk - av en människa" gjord riskprediktion. Klippet nedan visar 1) (övre klippet) VIX - volatilitetsindex och i bakgrunden en riskprediktion (röd = hög, grön = låg) baserat på nivån av VIX. 2) (nedre klippet) visar samma riskprediktion i bakgrunden och daglig avkastning av S&P500 som en indikator på den faktiska risken. Man ser att en, av individen, riskprediktion inte verkar vara lika effektiv (enbart två lägen) och dessutom inte lika precis (prediktionen har missat perioder med hög/låg risk).

Ovan ger en indikation på att maskininlärning gjort ett bra jobb och dessutom bättre än en traditionell metod. Slutligen konstruerar vi en enkel strategi som använder riskprediktionerna för att allokera mellan aktier och räntor. En strategi som använder riskprediktionen gjord med maskininlärning och en strategi som använder riskprediktionen gjord av en människa. Resultatet är klippet i början av detta inlägget. Intressant och värt att notera är att båda strategierna levererade högre riskjusterad avkastning och hade mindre stora förluster än en statiskt köp-och-behåll 50%/50% aktie/ränte portfölj över samma period.

Notera att detta inte är en garanti för framtida avkastning. Ovan visar att maskininlärning kan användas för att mer effektivt göra riskprediktioner. Att vår strategi gav historisk högre avkastning än andra strategier var bara ett test som styrker våra antaganden men som inte ger en garanti för framtiden.

Klicka här för att läsa mer om hur maskininlärning används vid investeringar och riskprediktion