Kwantitatieve fondsen zijn lange tijd de grootste gebruikers van kunstmatige intelligentie in de wereld van vermogensbeheer geweest. De komst van generatieve AI zou echter de voorkeur kunnen geven aan traditionele, op fundamentele waarden gebaseerde vermogensbeheerders boven de kwantitatieve factoren.

Dat is de zorg die verschillende kwantitatieve fondsbeheerders en dataleveranciers in Azië uiten GravFin.

 “AI-toepassingen in de financiële wereld zijn nog steeds zeldzaam”, zegt een kwantitatieve manager. “Datawetenschappers passen het niet toe op de kapitaalmarkten. Maar als deze instrumenten worden gebruikt om in aandelen te handelen, zal dit het landschap veranderen. Er zullen nieuwe winnaars en verliezers zijn.”

Wat is een kwantiteit?

Quants kopen en verkopen aandelen op basis van enorme rekenkracht en op maat gemaakte softwareprogramma's die beleggingsstrategieën modelleren. De opkomst van kwantitatieve cijfers viel samen met de decennialange daling van de rentetarieven en de opkomst van passieve beleggingen – twee trends die actieve aandelenselectie door mensen tot een steeds minder competitieve bezigheid hebben gemaakt.

Het gebruik van algoritmische of systematisch geprogrammeerde transacties heeft aanleiding gegeven tot een sector van 'systematische investeringen', waarbij bedrijven platforms runnen van managers met één strategie die een bepaalde strategie of 'factor' najagen (zoals rentetarieven of de volatiliteit van een markt).

Dergelijke beleggers zijn niet geïnteresseerd in het aandeelhouderschap, maar alleen in het snel kopen en verkopen van aandelen om strategieën aan te sturen: long/short, marktneutraal, statistische arbitrage, gebeurtenisgestuurd. Er is een overlap met de hoogfrequente handelswereld, waarbij de overeenkomst bestaat uit transacties die in puur numerieke termen worden geconceptualiseerd en aangestuurd.

AI oldtimers

Deze ideeën zijn niet nieuw, maar de beschikbaarheid van rekenkracht en big datasets hebben de opkomst van kwantitatieve gegevens de afgelopen twintig jaar aangewakkerd. De afgelopen tien jaar zijn quants early adopters geweest van nieuwe AI-technieken zoals machinaal leren en het gebruik van neurale netwerken. Ze werden vraatzuchtige consumenten van alternatieve gegevens, zoals sentimentanalyses van feeds op sociale media.

Het grootste probleem met kwantitatieve beleggers is ‘verklaarbaarheid’, een recentere term voor AI die teruggaat tot de ‘black box’ van kwantitatieve beleggers. De ineenstorting van het langetermijnkapitaalbeheer in 1998 is een belichaming van dit risico, vooral omdat er doorgaans gebruik wordt gemaakt van kwantitatieve instrumenten.

Maar sindsdien zijn kwantitatieve winkels zoals Citadel, DE Shaw, Man AHL, Millennium Management, Renaissance Technologies en Two Sigma de grootste en meest invloedrijke buy-side bedrijven op Wall Street geworden. Hun succes heeft traditionele fondshuizen zoals BlackRock of Fidelity ertoe aangezet hun eigen kwantitatieve strategieën te lanceren.

Ze zijn ook actief op niet-Amerikaanse markten waar ze liquiditeit, een handelsinfrastructuur met lage latentie en hedging-instrumenten (zoals ETF's of futures-contracten die lokale marktindices volgen) kunnen vinden. Japan was de grootste markt in Azië-Pacific, maar India is nu een belangrijk speelveld. (Eén probleem in Azië is de grilligheid van de regelgeving, zoals blijkt uit het recente Zuid-Koreaanse verbod op short selling en de toenemende overheidsinmenging in China.)

Kwantitatieve fondsen zijn daarom niet alleen invloedrijke toproofdieren: ze lopen ook voorop bij het adopteren van nieuwe digitale technologieën.

Voer GenAI in

Dat maakt de nieuwe ontwikkelingen op het gebied van AI voor quants een puzzel.

Deze bedrijven zullen uiteraard in hun volle omvang gebruik maken van grote taalmodellen (LLM's), mogelijk gemaakt door generatieve, vooraf getrainde transformatoren.

De heilige graal voor quants zal zijn om LLM's om te zetten in voorspellende instrumenten. Een mens zal communiceren met zijn computervrienden om patronen in tijdreeksen en andere datasets te detecteren. In feite doen quants dit al, alleen moeten LLM's het proces intuïtiever maken, niet-tekstuele gegevens beter integreren en ontwikkelaars veel sneller modellen laten bouwen.

Quant-winkels zullen genAI ook gebruiken voor meer alledaagse doeleinden, zoals het leren schrijven van regelgevingsrapporten, het interpreteren van winstrapporten of het doorzoeken van pitchdecks. Klantonboarding en andere backofficefuncties kunnen verder worden geautomatiseerd.

Maar er is niets mysterieus aan een kwantitatieve winkel die deze dingen doet, omdat het hetzelfde is waarvoor alle anderen genAI zullen gebruiken.

Iedereen doet het

Het verschil zit in het ontwikkelen van voorspellende investeringsmodellen en uitvoeringsalgoritmen. Dat is wat quants zo speciaal maakt, maar de eerste tekenen wijzen erop dat genAI traditionele vermogensbeheerders in staat zal stellen deze dingen ook te doen. Idem voor beheerders van private-equityfondsen – een notoir niet-geautomatiseerde onderneming, die LLM’s zou kunnen gebruiken om investeringsbeslissingen meer systemisch en datagedreven te maken.

Vermogensbeheerders zullen allemaal te maken krijgen met vragen over LLM's en hun neiging om dingen te verzinnen. Producten zoals ChatGPT van OpenAI zijn de ultieme black box. Hoewel kwantitatieve fondsen afhankelijk zijn van AI voor goddelijke strategieën, worden deze nog steeds beheerd door erkende professionals die de gevolgen van een handelsidee begrijpen. Dat is niet het geval met genAI-tools.

Snelle engineering kan waarde toevoegen door een deel van die transparantie te bieden, door de LLM's te ondervragen om een ​​idee te krijgen van hun processen en de factoren en bronnen die worden gebruikt om tot een beslissing te komen. Het is theoretisch mogelijk dat LLM's op een dag transparanter en verantwoordelijker zullen zijn dan mensen.

Hoewel het idee om investeringen aan de machine over te dragen goede krantenkoppen oplevert, zullen kwantitatieve onderzoekers LLM’s waarschijnlijk op specifiekere manieren gebruiken.

Ze zullen bijvoorbeeld instrumenten nodig hebben om de werkelijke frictiekosten van een transactie in kaart te brengen, wat een diepgaande studie van micromarktstructuren met zich meebrengt. Een typische maatstaf om de prestaties van een handelaar te wegen wordt 'implementatietekort' genoemd, om erachter te komen hoe nauw zij zich houden aan een budget voor een bepaalde transactie. Dergelijke algo's worden al steeds geavanceerder, omdat bedrijven overdag zoeken naar momenten waarop de liquiditeit rijp is of wanneer ze kunnen handelen zonder hun hand te onthullen.

Dit gaat over het vinden van marktsignalen, wat de kern is van de missie van een kwantitatieve partij. Het is waarschijnlijk dat kwantitatieve winkels genAI zullen gebruiken om betere manieren te ontwikkelen om de beste tijden en locaties voor het uitvoeren van een transactie te voorspellen.

Dit is nog steeds erg handig, maar het is niet alsof iemand de autosleutels aan de Terminator overhandigt. Ook overwint AI niet de grootste hindernissen op de Aziatische markten, namelijk het gebrek aan hedginginstrumenten, gevolgd door de hoge kosten van hedging als er een contract beschikbaar is.

Belangrijker nog is dat dit niet specifiek geldt voor kwantitatieve gegevens. Grote traditionele kooppartijen maken ook gebruik van deze uitvoeringsalgo's, of deze nu intern zijn ontworpen of door een verkoopmakelaar.

De existentiële vraag voor kwantitatieve beleggers is hoe ze hun voorsprong behouden als genAI-tools veel van wat ze doen gemakkelijker beschikbaar kunnen maken voor fundamentele vermogensbeheerders. Quant-winkels vermijden de schijnwerpers deels omdat ze hun AI-modellen en uitvoeringsalgo's als geheime sauzen beschouwen. Zou genAI deze in grondstoffen kunnen veranderen? Hoe gedifferentieerd is uw snelle engineering?

Zoals een quant het verwoordde: “AI maakt al jaren deel uit van onze toolset. GenAI neemt de barrières niet weg, maar zal meer voordeel opleveren voor fundamenteel actieve managers, door hen efficiënter te maken in het aggregeren en analyseren van gegevens. Zodra deze bedrijven de drijvende krachten achter rendement begrijpen, worden ze onze concurrent.”

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.digfingroup.com/genai-quants/