Een programma voor kunstmatige intelligentie beheert activaportefeuilles effectief, zegt NCSU-onderzoeker
Datum gepubliceerd:Onderzoekers hebben een programma voor kunstmatige intelligentie (AI) ontwikkeld en gedemonstreerd waarmee ze aan specifieke beleggingsrisico- en rendementsdoelen kunnen voldoen voor grootschalige portefeuilles met honderden activa.
“We wilden weten of we machine learning konden gebruiken om de Sharpe Ratio te verbeteren, zodat we betere informatie konden krijgen over wat we moesten kopen, verkopen of in uw portefeuille moesten houden om de prestaties van uw portefeuille over perioden van zes tot twaalf maanden te verbeteren”, zegt Mehmet Kaner, co-auteur van een artikel over het werk. “Dit werk laat zien dat we het kunnen.” Caner is de Thurman-Raytheon Distinguished Professor of Economics aan het Poole College of Management van NC State.
De Sharpe Ratio is een manier om de afweging te meten die de portefeuille van een belegger maakt tussen de omvang van zijn rendement en het risico dat zijn beleggingen waarde verliezen. Het is een gevestigde maatstaf die in de beleggingssector wordt gebruikt.
Het wordt echter ingewikkeld als een portefeuille honderden beleggingen bevat, omdat het steeds moeilijker wordt om risico-batenanalyses uit te voeren en managementbeslissingen te nemen voor alle beleggingen.
Om deze activa beter te kunnen beheren, heeft de financiële sector zich steeds meer tot AI-programma’s gewend die machine learning gebruiken om portefeuillebeslissingen te nemen.
Caner hielp eerder bij de ontwikkeling een AI-programma dat voortbouwde op een nieuwe wiskundige stelling om financiële besluitvorming te informeren. Caner wilde echter zien of hij dat AI-programma kon verbeteren door een reeks financiële factoren op te nemen waar het vorige model geen rekening mee hield.
“Het beheren van een portefeuille die honderden activa bevat, is een uitdaging”, zegt Caner. “Het kan een verscheidenheid aan aandelen en grondstoffen bevatten, waarvan de meeste op de een of andere manier met elkaar verband houden. Hoe ga je om met een dynamische matrix die zo ingewikkeld is? We wilden een AI-programma trainen om rekening te houden met een grote verscheidenheid aan factoren, met als uiteindelijk doel het bereiken van een specifieke Sharpe-ratio – en dat is gelukt.
“Het is belangrijk op te merken dat er geen 'juiste' Sharpe-ratio bestaat; deze zal variëren afhankelijk van hoeveel risico een belegger prettig vindt. Maar we hebben onze AI kunnen trainen om het Sharpe Ratio-doel dat u voor uw portefeuille heeft gesteld, in de loop van zes tot twaalf maanden te bereiken. We hebben dit zowel in simulaties als in de praktijk aangetoond.”
De krant, "Sharpe-ratio-analyse in hoge dimensies: op residuen gebaseerde knooppuntsgewijze regressie in factormodellen”, wordt gepubliceerd in de Tijdschrift voor Econometrie. Het artikel was co-auteur van Marcelo Medeiros van de Pauselijke Katholieke Universiteit van Rio de Janeiro; en Gabriel FR Vasconcelos van de BOCOM BBM Bank in Brazilië.
(C) NCSU
Originele artikelbron: WRAL TechWire