Onderzoekers hebben een programma voor kunstmatige intelligentie (AI) ontwikkeld en gedemonstreerd waarmee ze kunnen voldoen aan specifieke investeringsrisico's en rendementsdoelen voor grootschalige portefeuilles met honderden activa.

"We wilden weten of we machine learning konden gebruiken om de Sharpe-ratio te verbeteren om betere informatie te krijgen over wat u in uw portefeuille moet kopen, verkopen of houden om de prestaties van uw portefeuille over een periode van 6-12 maanden te verbeteren", zegt Mehmet Caner. , co-auteur van een paper 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 bezit aan waarde verliest. Het is een gevestigde waarde die in de hele beleggingssector wordt gebruikt.

Het wordt echter ingewikkeld wanneer een portefeuille honderden participaties bevat, omdat het steeds moeilijker wordt om risico-batenanalyses uit te voeren en managementbeslissingen te nemen voor alle participaties.

Om deze activa beter te beheren, wendt de financiële sector zich steeds meer tot AI-programma's die machine learning gebruiken om portfoliobeslissingen te nemen.

Caner hielp eerder bij het ontwikkelen van een AI-programma dat voortbouwde op een nieuwe wiskundige stelling om financiële besluitvorming te ondersteunen. 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 een specifieke Sharpe-ratio te bereiken - en dat is gelukt.

"Het is belangrijk op te merken dat er geen 'juiste' Sharpe-ratio is - deze is afhankelijk van het risico waarmee een belegger zich prettig voelt. Maar we hebben onze AI kunnen trainen om het Sharpe-ratio-doel te bereiken dat u hebt vastgesteld. uw portfolio, in de loop van 6-12 maanden. We hebben dit aangetoond in zowel simulaties als in de praktijk."

Het artikel, "Sharpe Ratio Analysis in High Dimensions:Residual-Based Nodewise Regression in Factor Models", is gepubliceerd in het Journal of Econometrics . Het artikel was co-auteur van Marcelo Medeiros van de Pauselijke Katholieke Universiteit van Rio de Janeiro; en Gabriel F.R. Vasconcelos van de BOCOM BBM Bank in Brazilië. + Verder verkennen

Loont het om in kunst te investeren? Rendementen in beeldende kunst zijn overschat