belgiumnl
 Big data en KI: veel uitdagingen voor kwantitatieve beleggers

Big data en KI: veel uitdagingen voor kwantitatieve beleggers

03-07-2018 | Visie

De opkomst van big data en kunstmatige intelligentie (KI) blijkt een grote gamechanger te zijn voor de financiële wereld. In de vermogensbeheersector staat de toepassing hiervan nog in de kinderschoenen, maar steeds meer spelers bekijken hoe ze deze innovaties kunnen inzetten om hun beleggingsstrategieën te verbeteren.

  • David Blitz
    David
    Blitz
    Head of Quant Research
  • Rob van Bommel
    Rob
    van Bommel
    Managing Director, Portfolio Manager

In het kort

  • Big data en kunstmatige intelligentie maken betere beleggingsbeslissingen mogelijk
  • Data fitting en korte geschiedenis leiden tot zorgen over de robuustheid
  • Wij benaderen dit gebied met onze bedachtzame pioniersgeest

Het klopt dat beleggers met betere data-analyses tot waardevolle inzichten kunnen komen, maar er is voorlopig nog weinig hard bewijs dat big data en kunstmatige intelligentie ook werken in de praktijk. Er zijn nog geen concrete voorbeelden van beleggers die met behulp van deze technieken een consistente outperformance realiseren.

Een solide beleggingsstrategie vraagt om uitgebreid empirisch onderzoek naar grote datasets die een lange periode beslaan. Het bewijs voor big data en kunstmatige intelligentie is echter voornamelijk anekdotisch. Voor strategieën op basis van big data en kunstmatige intelligentie ontbreekt bovendien een duidelijke economische onderbouwing. Sterker nog, de meeste beleggingsideeën zijn puur gebaseerd op de resultaten van backtests, waar altijd met de nodige voorzichtigheid naar gekeken moet worden.

Het is lastig om al deze aspecten op lijn te brengen met een behoedzame, op bewijs gebaseerde beleggingsfilosofie, zoals die van Robeco. Wij zijn altijd op zoek naar factoren die worden beloond met een superieure risicogecorrigeerde performance over de langere termijn. Daarnaast kijken we verder dan statistische patronen en proberen we de economische drijfveren voor rendement te begrijpen.

Blijf op de hoogte van kwantitatieve inzichten
Blijf op de hoogte van kwantitatieve inzichten
Aanmelden

Technische uitdagingen

Daarom baart het beheren van geld op basis van een niet-getest KI-algoritme dat exotische datasets analyseert ons grote zorgen – ook al zijn big data en kunstmatige intelligentie tegenwoordig veelbesproken onderwerpen onder beleggers. Bovendien brengen deze innovaties een aantal uitdagingen met zich mee voor vermogensbeheerders die ze willen implementeren in hun beleggingsproces.

De eerste van deze technische uitdagingen is dat datasets op basis van big data over het algemeen een korte – of zelfs zéér korte – geschiedenis hebben. De tweede heeft te maken met het gebrek aan reikwijdte, of in ieder geval het zeer gefragmenteerde karakter, van de meeste bigdatasignalen. Een ander punt van zorg is dat veel signalen die afkomstig zijn van big data en kunstmatige intelligentie gericht zijn op de zeer korte termijn. Tot slot zijn hoogwaardige datasets niet eenvoudig te verkrijgen en kunnen deze ook nog eens heel duur zijn.

In onze ogen biedt een analyse van signalen uit de credit-, optie- en lendingmarkt, met behulp van beproefde en transparante technieken, op dit moment meer potentieel

Gezien alle bovenstaande kanttekeningen zien we de huidige trend rond big data en kunstmatige intelligentie als een interessante ontwikkeling, maar wel een waar we voorzichtig mee moeten zijn. In onze ogen biedt een analyse van signalen uit de credit-, optie- en lendingmarkt, met behulp van beproefde en transparante technieken, op dit moment meer potentieel dan een analyse van exotische bigdatavariabelen met complexe algoritmes.

Tegelijkertijd zien we in dat zulke innovaties in de toekomst een ontwrichtende werking kunnen hebben. In het verleden hadden de datasets die kwantitatieve vermogensbeheerders tegenwoordig op grote schaal gebruiken te maken met vergelijkbare uitdagingen als big data nu. Door de jaren heen zijn de kwaliteit, de reikwijdte en de geschiedenis van deze datasets verbeterd, waardoor ze bruikbaar zijn geworden. Naarmate de tijd verstrijkt en er meer data beschikbaar komt, zal waarschijnlijk ook de bruikbaarheid van big data toenemen.

Het een sluit het ander niet uit

Voor beleggers is het fundamentele probleem niet zozeer voor welk soort data ze moeten kiezen. Er zijn namelijk meer dan genoeg mogelijkheden tussen vasthouden aan traditionele informatie over koersen en financiële cijfers enerzijds en volledig vertrouwen op bijvoorbeeld satellietbeelden van parkeerplaatsen anderzijds. Zo kunnen signalen van big data en kunstmatige intelligentie zeer nuttig zijn voor fundamentele credit- en aandelenanalisten. En daarmee kunnen deze signalen ook van invloed zijn op onze kwantitatieve strategieën, omdat die rekening houden met herzieningen van analisten. Op die manier maken we dus indirect gebruik van de informatie van big data en kunstmatige intelligentie.

Logo

Disclaimer

De informatie op deze website is uitsluitend bedoeld voor professionele partijen. Een professioneel belegger is: een belegger die beroepsmatig over voldoende kennis, deskundigheid en ervaring beschikt om de financiële risico’s van de zelf genomen beleggingsbeslissing(en) adequaat in te schatten.

Bezoekers van deze website dienen zich ervan bewust te zijn dat zij zelf verantwoordelijk zijn voor naleving van alle in hun eigen land geldende wetten en voorschriften.

Door op Akkoord te klikken, bevestigt u dat u een professionele belegger bent. Indien u op Niet akkoord klikt, wordt u doorverwezen naar de omgeving voor particulieren.

Niet akkoord