“Idag kan data som inte bara handlar om priser och kurser användas för att fatta investeringsbeslut”

Martin Tegnér, senior data scientist och forskare i ML, om vad som lockade med att byta teknisk fysik mot finansiell matematik, om utmaningarna med att utveckla portföljinvesteringsstrategier och vad han tror kommer prägla investeringsåret 2021. 



Martin Tegnér har en bakgrund som kvantitativ analytiker från Nordea och som forskare inom maskininlärning vid Oxfords universitet. Idag jobbar han som data scientist på IKEA, där han utvecklar AI för att göra kundupplevelsen bättre. Ett tvärt kast från finansmarknaden, men en spännande utmaning hos ett företag han verkligen tycker om. 


Efter avlsutade studier i teknisk fysik i slutet av 00-talet upptäckte han att han lockades mer av att jobba med finansiell matematik än att fortsätta med fysik. Enligt honom själv var det en kombination av goda karriärmöjligheter efter examen och möjligheterna att kunna testa metoder och teorier på data som lockade mest.


– Inom finans har du ganska enkel tillgång till data. När du experimenterar med modeller och metoder kan du omgående se resultat och det tilltalade mig att du kan testa hypoteser relativt snabbt. Som fysiker går det långsammare. Jag examinerades ett par år efter finanskrisen. Det må låta motsägelsefullt, men det kändes också som att det fanns goda möjligheter till jobb. 

“Maskininlärningsmetoder är bra när det finns 

mycket data och konkreta och tydliga mål för maskinerna att jobba mot”


Med erfarenhet från Nordea blev Martin efter en tid intresserad av att spetsa sin kompetens, inte minst eftersom han såg att kollegor som doktorerat var väldigt duktiga på tekniska aspekter i hans arbete. Efter sin PhD vid Köpenhamns universitet flyttade han till England där han började som forskningsassistent. Hans institut delade lokaler med en internationell hedgefond. Martin utvecklar: 

 

Under doktorandtiden jobbade jag med modeller för prissättning av derivat. Min forskning handlade om modellrisker, som jag också jobbade med på Nordea. I Oxford kom jag till en stor forskningsgrupp inom maskininlärning. Det var ett nytt ämne för mig, och jag befann mig i en otroligt inspirerande miljö vid universitet. Jag blev intresserad av metoderna och funderade på hur maskininlärning kunde appliceras på de finansiella problem jag arbetat med tidigare. Jag försökte helt enkel kombinera två fält i min forskning.


Under sin tid som forskare i England upptäckte han styrkor med maskininlärningsmetoder. Inom finans medger han att det skiljer avsevärt om det gäller högfrekvent automatiserad handel eller långsiktiga portföljinvesteringar. Inte minst är det en fråga om hur mycket data man har att tillgå: 


– Det finns förstås olika aspekter av investeringar. Maskininlärningsmetoder accelererar när det finns mycket data, ett konkret mål för maskinen och tydlig feedback i inlärningsprocessen. När vi jobbade under samma tak som en hedgefond så kunde jag förstå att maskininlärning används för systematisk och högfrekvent handel. Där finns massa data och du kan sätta upp regler och kriterier för vad du vill att din maskin ska lära sig. Idag kan algoritmerna dessutom ta in information från data som inte bara handlar om priser och kurser, till exempel text från nyhetsflöden. När det kommer till portföljinvesteringar är det lite svårare. Det finns mindre data där för att göra bra investeringsbeslut, speciellt på lång sikt. Det är också mer komplicerat att formulera kriterier som maskinen kan jobba efter. När man till exempel pratar om vilken “risk” privatpersoner är beredda att ta, så är det svårt att definiera detta på ett konkret sätt, inte minst eftersom det är ett subjektivt begrepp och uppfattningen av risk skiljer sig från person till person. 

 

Framgent ser Martin att globala fenomen kommer fortsätta påverka investeringsmarknaden: 


– 2020 har ju varit ett mycket omskakande år med den pandemi vi nu genomgår och det lär fortsätta in i 2021, även om vi får se framåt och hoppas på förbättringar. Detta påverkar finansmarknaden, så en volatil marknad tror jag kan hålla i sig.