“Je bouwt geen model voor één jaar”
Het gebruik van algoritmen voor artificiële intelligentie wordt wijdverspreid in een groot aantal economische sectoren en de fondsensector vormt geen uitzondering op deze trend. Onlangs hadden we de gelegenheid om Michael Heldmann (Allianz Global Investors) te interviewen, zodat hij de belangrijkste vorderingen op dit gebied kon belichten. Als CIO van de Systematic Equity-activiteiten houdt hij toezicht op € 45 miljard aan beheerd vermogen.
Wat is het doel van Allianz GI’s Systematic Equity?
Michael Heldmann: “Het team is opgericht in 1996 en daarmee zijn we een van de oudste teams die gespecialiseerd zijn in kwantitatief en factorbeheer. Het oorspronkelijke doel van dit team was om een manier te vinden om de activa van ons verzekeringsbedrijf te beleggen op de aandelenmarkten, zodat we beter zouden presteren dan onze benchmarkindex en tegelijkertijd het risico onder controle zouden houden. Het idee was niet om een kwantitatieve methode te ontwikkelen, omdat Allianz meer een fundamenteel gericht bedrijf is. In feite hebben we deze enigszins gemengde benadering behouden, die we Quantumental zouden kunnen noemen, een combinatie van de fundamentele en kwantitatieve benadering”.
Zijn de belangrijkste klanten voor deze producten institutionele klanten?
M.H.: “Maar in de afgelopen jaren hebben we een groeiende belangstelling gezien van particuliere beleggers in onze collectieve fondsen, die nu ongeveer een kwart van het door het team beheerde vermogen vertegenwoordigen, oftewel ongeveer €10 miljard”.
Welke eerste vooruitgang is er op dit gebied geboekt?
M.H.: “We stelden al snel vast dat het bijzonder interessant was om te kijken naar de vijf belangrijkste factoren (waarde, groei, kwaliteit, momentum en herzieningen van verwachtingen) die 80% van de prestaties van aandelenportefeuilles na het markteffect verklaren, terwijl de factoren die specifiek betrekking hebben op bedrijven slechts 20% van hun prestaties op de lange termijn verklaren. We hebben dit idiosyncratische deel echter niet verworpen, en vanaf het begin hebben we het fundamentele onderzoek van de Allianz GI teams opgenomen als een extra factor in het model dat we gebruiken”.
Zijn de verschillende factoren stabiel gebleven in uw model?
M.H.: “Ondanks zeldzame maar soms onaangename perioden van underperformance voor sommige van deze factoren, zijn we altijd trouw gebleven in ons gebruik van deze factoren samen. Toen waarde 10 jaar lang ondermaats presteerde ten opzichte van groei vanwege het beleid van de centrale banken, zijn we er altijd op blijven vertrouwen dat deze factor weer zijn plaats zou innemen bij het genereren van een positieve risicopremie op de lange termijn, wat natuurlijk vanaf 2022 is gebeurd. De kunst van factorbeleggen is om een model te bouwen dat de bedrijven uitlicht die het best geplaatst zijn om te profiteren van elk van deze vijf factoren en om ze op een optimale manier te combineren (de ‘Best Styles’), om de markt op de lange termijn te verslaan. In principe bouwen we geen model om er een jaar mee te doen”.
Hoe heeft dit model zich ontwikkeld?
M.H.: “We hebben altijd geprobeerd dit model te versterken door het risicobeheer te verbeteren, nieuwe gegevensbronnen toe te voegen en, meer recent, artificiële intelligentie te gebruiken om de beste bedrijven te vinden die beschikbaar zijn op deze verschillende factoren. Deze algoritmen zijn een natuurlijke uitbreiding van de statistische analysemethoden die we al sinds 1996 gebruiken en verfijnen.
Is het gebruik van AI voor ons altijd vanzelfsprekend geweest?
M.H.: “Mijn achtergrond is in de wetenschap en ik heb bij CERN in Zwitserland gewerkt. Op het gebied van deeltjesfysica waren we gewend om petabytes (1000 terabytes) aan gegevens per dag te gebruiken om ze te analyseren. Toen ik in 2007 bij Alilanz kwam werken, heb ik deze methodologieën meegenomen en toegepast op de financiële sector. Het gebruik van AI-oplossingen is altijd een logische uitbreiding geweest van wat we al hadden ontwikkeld en we hebben ze vanaf 2007 in onze processen geïntegreerd, met een versnelling van zes jaar geleden.
Wat zijn de grootste verschillen tussen de wereld van de wetenschap en de financiële wereld?
M.H.: “Vergeleken met de terabytes aan gegevens die we vroeger in de wetenschappelijke wereld gebruikten, produceert de financiële sector veel minder relevante gegevens, wat problemen oplevert voor het trainen van algoritmen. Daarnaast worden gegevens over financiële markten ook sterk beïnvloed door eenmalige factoren (zoals de stijging van de olieprijzen na de invasie in Oekraïne) die zich niet van jaar tot jaar herhalen. Het resultaat is dat de oplossing die een AI het ene jaar vindt om in te investeren, het volgende jaar niet meer geldig is. Kwantitatieve analyse is geen wetenschap, maar een kunst die onderscheid probeert te maken tussen de stabiele en tijdelijke structuur van financiële markten”.
Hoe gebruikt u AI-oplossingen in uw model?
M.H.: “Altijd met respect voor onze vijf factoren gebruiken we, naast andere technieken, oplossingen voor automatische taalverwerking (Natural Language Processing) om de bedrijven te vinden die elk van deze vijf factoren het beste vertegenwoordigen, door te zoeken naar ongestructureerde elementen die niet in de financiële cijfers staan, maar in alle tekstuele gegevens die de bedrijven produceren (conferentie met analisten, verslagen van algemene jaarvergaderingen, etc.) die in ons beleggingsproces kunnen worden geïntegreerd”.
Welke ontwikkelingen kunnen we in de toekomst op dit gebied verwachten?
M.H.: “Het is altijd onze ambitie geweest om voorop te blijven lopen op het gebied van kwantitatief onderzoek en om nieuwe gegevensbronnen en nieuwe algoritmen te integreren. Grote taalmodellen (GPT) werden meer dan een jaar geleden geïntroduceerd en we zijn erg actief in het integreren ervan in ons beheer. Er is nog steeds een grote hoeveelheid ongestructureerde tekstuele gegevens die nog niet optimaal wordt gebruikt, en deze grote modellen kunnen nu veel meer informatie extraheren dan in het verleden. Het is altijd de vraag hoe de informatie die we vinden niet al zit in de gestructureerde gegevens die we al gebruiken, maar er zijn nog veel stenen om te draaien en ik weet zeker dat we de komende jaren onder sommige stenen heel interessante dingen zullen vinden”.
