Dwie rewolucje w funduszach określą przyszłość inwestowania

W inwestowaniu następują głębokie zmiany. Najlepiej widać to po tym, co dzieje się w londyńskim City. Obserwując fundusze, które są na pierwszej linii zmian, możemy wskazać dwa główne trendy, które określą przyszłość inwestowania.

Pierwszy to początki wykorzystania sztucznej inteligencji w handlu. Na efekty jeszcze poczekamy, ale już wiemy, że będą ogromne. Na razie jest to jeszcze budowanie i korzystanie z pewnych narzędzi sztucznej inteligencji (ten obszar nazywamy Machine Learning).

Druga rewolucja odbywa się bardziej w cieniu. Jest jednak nie mniej ważna i to z dwóch powodów. Po pierwsze, będzie stanowiła bazę dla handlu w epoce rozwiniętej sztucznej inteligencji, a po drugie, jest dziś jednym z kluczowych źródeł przewagi funduszy. Ta druga rewolucja to wykorzystanie tak zwanych alternatywnych danych. Alternatywne to znaczy pozafinansowe. Przykładem mogą być dane z kart kredytowych, zdjęcia satelitarne, zebrane maszynowo opinie z social mediów, dane o lotach korporacyjnych, wyniki wyszukiwań internetowych.

Zobaczymy, co one dają na kilku przykładach. Dane o zakupach z kart kredytowych pozwalają określić wielkość i trendy kupowanych produktów analizowanych firm. Fundusze budują (dość proste) modele korelacyjne, które pozwalają prześledzić związek danych z płatności kartami z wynikami kwartalnymi. Fundusz ma tu oczywistą przewagę: może oszacować wyniki kwartalne jeszcze przed ich ogłoszeniem. Wie coś, czego pozostali inwestorzy jeszcze nie wiedzą.

Wiedzę tę może wykorzystać na kilka sposobów: może zbudować pozycję, a jeśli ją ma, to przedłużyć lub zamknąć w zależności od spodziewanej reakcji rynku. Wiedza ta nie tylko ulepsza jakość sygnałów, ale i zmniejsza ryzyko.

Jeden z funduszy wpadł na pomysł, jak szacować dane sprzedaży Tesli. Analizował mapy satelitarne parkingu przed Megafactory w Teksasie. Programiści napisali software, które codziennie analizowało kształty i kolory samochodów na miejscach parkingu. W ten sposób określali codzienną rotację, czyli ile samochodów zostało wyprodukowanych i wyjechało do dystrybutorów. Na tej podstawie zbudowali precyzyjny model przychodów ze sprzedaży (późniejsze wyniki go wielokrotnie potwierdziły).

Powyżej mieliśmy dwa przykłady wykorzystania alternatywnych danych do ulepszenia sygnałów. Na marginesie tylko dodam, że nie tylko same sygnały są lepsze, zmniejsza się również ryzyko związane z każdym z nich.

Przejdźmy teraz do przykładów wykorzystania alternatywnych danych dla lepszej orientacji w sytuacji, podczas gdy mamy pozycję na rynku.

Badania nastrojów konsumentów w przypadku dużych funduszy stają się czymś w rodzaju standardu. Z tym że dziś są łatwiejsze: obecne modele są budowane o wyniki analiz opinii konsumentów z social mediów, systemów zakupów, forów dyskusyjnych. Przykładem może być analiza uwag klientów na temat jednego z modeli samochodów terenowych. Przez wiele miesięcy klienci narzekali w internecie na jakość wykonania nowego modelu, jego awaryjność i problemy z serwisem. Nic dziwnego, że sprzedaż modelu nie była tak dobra, jak oczekiwał producent, a nawet znacznie gorsza.

Powyżej mieliśmy przykład analizy opinii, przejdźmy do przykładu analizy danych tekstowych, a konkretnie analizy maszynowej tekstów raportów kwartalnych i wszelkiej komunikacji firm z klientami.

Mam tutaj dwa ciekawe przykłady. Programiści w jednym z funduszy z pierwszej piątki największych zbudowali narzędzie do automatycznej analizy raportów wysyłanych do regulatorów rynku. Jego zadaniem było wyszukiwanie nieścisłości między deklarowanym nowoczesnymi strategiami ESG a realiami. Fundusz szczyci się tym, że inwestuje właśnie w takie firmy, dyrektor badań w jednym z wywiadów powiedziała, że narzędzie pozwala im omijać firmy, w których deklaracje to jedno, a rzeczywistość to drugie.

Drugi przykład dotyczy analizy tonu dokumentów firm. Termin „ton” znaczy w tym przypadku przejrzystość lub zawiłość języka, jakim jest napisany raport. Zauważono, że dobrze napisane, łatwe do zrozumienia dokumenty korelują pozytywnie z dobrą sytuacją w firmach i dobrymi wynikami. A mętne, trudne do zrozumienia i zawiłe – ze złymi. Ton nie jest sygnałem samym w sobie, ale jest ciekawą informacją kontekstową, która może nam potwierdzić opinie o firmie lub skłonić do ostrożności.

Podsumowując. Wykorzystanie alternatywnych danych daje obecnie konkretną przewagę na rynku, która przekłada się na duże pieniądze. Duże fundusze budują zespoły uczące się, jak i w jaki sposób wykorzystywać różne rodzaje danych. Dziś nie jest to ani proste, ani tanie.

Przy budowie modeli wykorzystujących alternatywne dane obowiązuje zasada puzzla – zbieramy różne rodzaje danych, by uzyskać obraz firmy z różnych stron lub na różnych etapach procesu produkcji i sprzedaży.

Wiedza zdobyta obecnie będzie wykorzystana na kolejnym etapie potężnych zmian w metodach inwestowania, gdy większość opisanego procesu gromadzenia i analizy danych weźmie na siebie sztuczna inteligencja. To nie jest dobra wiadomość dla traderów i inwestorów detalicznych, rynki jeszcze bardziej się skomplikują.

Obecnie zespoły uczą się analizy danych, uczą się, które z nich dają lepszy i tańszy obraz sytuacji. Powstaje pełniejszy obraz firmy, łańcucha zaopatrzenia i sprzedaży. W pewnym sensie inwestowanie staje się coraz bardziej nauką ścisłą.