Beleggen in AI: De hype voorbij

Kwantitatieve strategieën werden altijd al gedreven geweest door data en technologie – en AI is het nieuwste hoofdstuk in die evolutie. Het is belangrijk om op te merken dat AI niet helemaal nieuw is in beleggen. ML- en NLP-technieken worden al tientallen jaren onderzocht en toegepast in onze strategieën.

Wat nu anders is, is de omvang van wat deze AI-technieken kunnen en de verscheidenheid aan gegevens die ze aankunnen. In plaats van de beproefde kwantitatieve methoden te vervangen, verbetert AI ze juist. Zie het als de overstap van een gereedschapskist met handgereedschap naar elektrisch gereedschap – het werk is hetzelfde, maar we proberen het sneller en effectiever te doen.

Machine learning

Zo kan machine learning (ML) complexe patronen in gegevens blootleggen, waaronder niet-lineaire relaties en subtiele interacties die traditionele modellen mogelijk over het hoofd zien. Hierdoor kunnen we bestaande signalen verfijnen of nieuwe bronnen van alpha ontdekken. Door bijvoorbeeld een klassiek omkeersignaal te combineren met gegevens over het nieuwssentiment, is ons quantteam beter in staat om aandelen te identificeren die waarschijnlijk herstellen na een overreactie. ML kan ook gelijksoortige effecten groeperen op basis van gedeelde kenmerken, zoals het gebruik van toeleveringsketens of technologie, waarmee het risicobeheer wordt verdiept. Dit soort inzichten helpt om kwantitatieve modellen beter aan te passen aan de snel veranderende markten van vandaag.

Natuurlijke taalverwerking (NLP)

Het vermogen van AI om taal te interpreteren heeft zich snel ontwikkeld – van eenvoudige woordentellingen tot grote taalmodellen die nuance, toon en bedoeling kunnen begrijpen. Door het analyseren van tekstuele gegevens zoals nieuwsberichten, financiële rapporten of werknemersbeoordelingen, en zelfs het luisteren naar de toon van de stem tijdens earnings calls, helpen technieken op het gebied van natuurlijke taalverwerking (NLP) om diepere inzichten in het sentiment te onthullen. Of het nu gaat om het meten van het zelfvertrouwen van een CEO, het detecteren van subtiele verschuivingen in de stemming van klanten of het identificeren van belangrijke spelers in de toeleveringsketen van een bedrijf, NLP verrijkt ons begrip van het bredere bedrijfslandschap. Deze rijkere signalen worden verwerkt in onze kwantitatieve modellen, waardoor we mogelijk een voorsprong hebben bij het peilen van het marktsentiment en de gezondheid van bedrijven.

Alternatieve gegevens

Het rijk van alternatieve gegevens – onconventionele of niet-traditionele soorten gegevens die in het verleden niet werden gebruikt voor beleggingsbeslissingen – maakt deze AI-technieken mogelijk en steeds essentiëler. Alternatieve gegevens, die ongeëvenaard zijn in volume, variëteit en snelheid waarmee ze worden gegenereerd, bieden realtime inzichten in economische activiteit die traditionele gegevens vaak missen. Creditcardgegevens kunnen bijvoorbeeld verschuivingen in consumentenbestedingen signaleren, terwijl scheepvaartmanifesten wereldwijde handelsstromen kunnen volgen.

Om ruis van signalen te scheiden en de stortvloed aan alternatieve gegevens om te zetten in tastbare beleggingsinzichten moeten innovatieve AI-technieken worden gecombineerd met doordachte economische hypotheses. De integratie van AI in beleggingsprocessen biedt zowel kwantitatieve als fundamentele beleggers de voordelen van hogere snelheid, bredere informatiebronnen en betere informatieverwerking. Maar we moeten ook doelgericht, helder en transparant zijn bij het gebruik van AI in onze processen.

Met zoveel nieuwe gegevens en rekenkracht binnen handbereik kunnen kwantitatieve beleggers tegenwoordig gegevensbronnen en technieken aanboren die tien jaar geleden nog ondenkbaar waren. Zo heeft het kwantitatieve team van Robeco zijn toolkit uitgebreid met alles van sectorspecifieke signalen tot nieuwe alternatieve datasets.

Om ervoor te zorgen dat kwantitatieve strategieën zich op een gezonde, op bewijs gebaseerde manier ontwikkelen, met behoud van de robuustheid die klanten verwachten, hebben we speciale AI-gedreven strategieën ontwikkeld. Dit heeft onder meer geleid tot de lancering van onze Dynamic Theme Machine (DTM) ETF.

Dynamic Theme Machine

Thematisch beleggen heeft een grote aantrekkingskracht, maar het brengt ook uitdagingen met zich mee. Beleggers krijgen vaak pas toegang tot een thema als het al goed op gang is gekomen, waardoor ze de vroege opwaartse trend missen. Opkomende thema's kunnen te klein zijn om een zelfstandig product te rechtvaardigen. En als je eenmaal belegd hebt, kan het moeilijk zijn om te weten wanneer een thema aan het vervagen is, wat leidt tot gemiste kansen elders.

Met behulp van AI pakt Robeco's Dynamic Theme Machine (DTM) ETF deze uitdagingen aan door middel van een multi-thematische kwantitatieve benadering. Onze AI-motor scant, met behulp van technieken zoals NLP, enorme en diverse gegevensbronnen om patronen te detecteren, thematisch momentum te identificeren en te bepalen wanneer een thema aan kracht wint of verliest. Dit stelt ons in staat om dynamisch te alloceren over opkomende en gevestigde thema's, waarbij een systematisch proces ons helpt om efficiënt te rouleren. Onze gevestigde algoritmen voor aandelenselectie en portefeuilleconstructie garanderen steeds een strikt risicobeheer.

AI is ook een dominant thema geworden voor fundamentele beleggers. Met zijn schijnbaar oneindige capaciteit om verschillende taken op zich te nemen, van het coderen van computers tot het ontwikkelen van medicijnen, is AI aangekondigd als het volgende tijdperk in de technologie, vergelijkbaar met de personal computer, het internet en de smartphone. Hoewel de gevolgen van dergelijke technologische verschuivingen breed gevoeld worden, zijn er meestal minder begunstigden.

Daarom richten we ons op het identificeren van leveranciers van fundamentele technologieën en van degenen die de technologie toepassen in de kern van hun bedrijf om waarde te creëren.

AI-fundamenten

Inzicht in competitieve differentiatie en de echte toegevoegde waarde van bedrijven die technologie leveren voor de ontwikkeling van AI is cruciaal voor het opbouwen van rendement op de lange termijn. In eerdere technologietijdperken nam steeds een handvol bedrijven die cruciaal intellectueel eigendom leverden het grootste deel van de waardecreatie in de hele cyclus voor hun rekening. Dit was bijvoorbeeld het geval voor IBM in het mainframetijdperk, Microsoft en Intel in het pc-tijdperk, Apple en Qualcomm in het mobiele tijdperk, en Amazon en Google in het internettijdperk. Hoewel veel andere technologieën een rol speelden in die cycli, bleken deze enablers en leveranciers van onderdelen vaak uitwisselbaar. We verwachten een soortgelijke dynamiek te zien in het AI-tijdperk.

AI-gebruikers

Daarnaast zijn AI-gebruikers bedrijven in meerdere sectoren die AI integreren om hun producten of activiteiten te verbeteren. Vrijwel elk bedrijf zal AI op de een of andere manier gebruiken – net zoals elk bedrijf tegenwoordig computers of internet gebruikt – maar de impact op hun financiële prestaties zal verschillen. Het internet maakte bijvoorbeeld een nieuw soort concurrentie mogelijk, van e-commerce tot streaming media, een ontwikkeling die hun respectieve industrieën transformeerde. Op dezelfde manier heeft cloud computing een nieuw bedrijfsmodel voor software mogelijk gemaakt, aangezien SaaS-aanbieders (Software as a Service) niet alleen de gevestigde aanbieders hebben verspreid, maar ook de markt voor bedrijfsapplicaties hebben verbreed. AI heeft al mogelijkheden gecreëerd voor bestaande SaaS-aanbieders om hun aanbod te verbeteren en voor nieuwkomers om het model opnieuw te bekijken.

Digital Innovations-strategie

Deze kansen vereisen een zorgvuldige analyse – kijken naar de inhoud achter de AI-claims. Heeft het bedrijf eigen gegevens? AI-talent? Een verdedigbare strategie om hun AI-mogelijkheden te gelde te maken? Aan de hand van deze vragen proberen we de hype te scheiden van de realiteit en het potentieel. Onze Digital Innovations-strategie is gericht op exposure naar gevestigde spelers en veelbelovende opkomende namen, wanneer dit passend is, altijd afgewogen tegen de risico's.