AI

Hur används AI vid investeringar?

Lästid: 3 minuter

Sen början av årtiondet har AI-strategier levererat mer än dubbelt så hög avkastning som Hedgefonder och dessutom till en lägre risk. Men hur används egentligen AI vid investeringar?

J.P. Morgan, världens största investmentbank, uppskattar att AI eller maskininlärning kommer ha en väsentlig inverkan på hur investerare tar investeringsbeslut i framtiden. De menar att investerare som använder smarta algoritmer för att bearbeta data effektivt kan ta mer informerade investeringsbeslut än traditionella investerare och därmed prestera bättre. Men vad är egentligen maskininlärning och hur kan det användas vid investeringar? Börshajens gästskribent Henrik Jönsson förklarar.

Vad är AI/maskininlärning?

Maskininlärning är ett begrepp som hör hemma inom datavetenskap, statistik, artificiell intelligens och mönsterigenkänning. Maskininlärning kan hitta samband i ostrukturerade data och urskilja trender och signaler som är omöjliga för en människa. Dessutom lär sig en smart maskininlärningsalgoritm av sina misstag. Det vill säga den ”tränar” sig själv till att bli mer effektiv.

AlphaZero är ett exempel på hur maskininlärning använts för att lära ett datorprogram att identifiera komplicerade samband. Samband som inte är möjliga för en människa. AlphaZero spelar det kinesiska brädspelet Go och genom maskininlärning kunde träna sig själv till att uppnå icke-mänsklig förmåga. Programmet spelade mot sig själv tusentals gånger och med maskininlärning kunde programmet konstant förbättra sitt lärande och tillslut lära sig mycket avancera spelstrategier. Med mindre än 24 timmars träning hade datorprogrammet uppnått samma nivå av skicklighet som de bästa Go-spelarna i världen. Det vill säga en skicklighetsnivå som tar flera år att uppnå för en människa. Efter ytterligare träning hade programmet uppnått superintelligens och det ansågs omöjligt för till och med de bästa Go-spelarna i världen att slå programmet.

Varför använder man maskininlärning?

Idag görs de flesta datamätningar elektroniskt och kontinuerligt av enheter som är anslutna till internet. ”Internet of things” har bidragit till en enorm tillströmning av data. Hela 90% av dagens tillgängliga data uppskattas ha skapats under de senaste två åren enligt IBM. Det är en av anledningarna till varför det skett en mindre revolution inom AI och maskininlärning.

Nyckeln till en effektiv maskininlärningsalgoritm är nämligen data. På samma sätt som AlphaZero hade tillgång till tusentals historiska spel krävs stora mängder data för att en maskininlärningsalgoritm ska ge bra resultat. Matematiken bakom maskininlärning har varit känd i årtionden. Men det är först nu som det finns tillräckligt med data för att kunna utveckla effektiva algoritmer.

Hur använder man maskininlärning vid investeringar?

Tillgång till stora mängder elektroniska data innebär en möjlighet för investerare och maskininlärning kan användas på flera olika sätt vid investeringar. Exempelvis kan analys av tusentals onlinepriser, korttransaktioner eller satellitbilder med maskininlärning ge en uppskattning av inflationen, försäljningen eller kvaliteten på jordbruksprodukter i realtid. Det vill säga en investerare med tillgång till en effektiv maskininlärningsmodell kan få tillgång till makro- eller företagsspecifika-data som inte är tillgänglig via traditionella datakällor.

Ett annat exempel på hur maskininlärning används vid investeringar är för att förutspå risk. Genom att använda maskininlärning kan man identifiera trender och samband i finansiella tidsserier som tyder på ökad risk för en finanskris. I figuren nedan har maskininlärning använts för att bestämma och förutspå risk vilket indikeras med olika bakgrundsfärger:

Grön = lugn marknad (låg risk för finanskris)
Gul = varken lugn eller skakiga marknad (medelrisk för finanskris)
Röd = skakig marknad (hög risk för finanskris)

Figuren visar också utvecklingen för två enkla strategier mellan januari 2001 – januari 2019. Röd motsvarar en strategi baserad på traditionella metoder. Blå använder riskprediktion gjord med maskininlärning för att allokera mellan aktier och räntor. Mer specifikt, den blåa strategin allokerar 50%/50% till aktier/räntor i det gula området. 25% mer till aktier i det gröna området och 25% mindre till aktier i det röda området. Resultatet är 2,5% högre avkastning per år, mindre stora förluster, 33% högre riskjusterad avkastning och totalt 120% högre avkastning över hela tidsförloppet jämfört med den traditionella strategin. Notera att i klippet ovan blir maskininlärningen bättre och bättre på att lära sig vilket resulterar i att den blåa strategin levererar bättre avkastning relativt den röda strategin ju längre tid som går.

Exempel på hur en strategi som använder maskininlärning för riskprediktion levererar bättre avkastning än en traditionell strategi. Videokälla: www.betterwealth.se

Henrik Jönsson har tidigare skrivit om vikten av risk vid investeringar. Varför tänker du då? Läs mer här!