Avansert faktoranalyse

Finansanalyse og kunstig intelligens

Kunstig intelligens har gjort enorme fremskritt de seneste årene. Raskt økende datakraft har gjort avanserte matematiske metoder langt mer praktisk anvendelige. Tilgang til store datamengder har ført til utviklingen av automatiserte systemer som kan gjøre ting raskere, billigere og mer nøyaktig enn menneskelige eksperter på mange områder. Også innen finansanalyse er robotene på vei inn.

Nobelprisen i økonomi ble i 2013 tildelt forskere som tidlig på 90-tallet klarte å vise at svært mye av variasjonen i aksjeporteføljer kan forklares med kun et par faktorer, eller egenskaper ved aksjer, som størrelse, verdi og momentum. Selv om det fortsatt er denne modellen med bare et par faktorer som er standarden innen akademisk finans, har det de to siste tiårene blitt publisert studier om hundrevis av nye faktorer som også kan hjelpe å forklare deler av bevegelsene i aksjekurser.

Utfordringen nå som det har blitt så mange faktorer, er at det blir uendelig mange måter å kombinere og bruke disse på. Det har faktisk blitt så mange faktorer at det har blitt referert til som en “faktor-zoo”.

Nye metoder innen kunstig intelligens gir oss muligheten til å teste og kombinere disse mange hundre faktorene på store mengder data, og komme frem til bedre modeller for å forklare og forutse aksjekurser. Bare de seneste månedene er det blitt publisert en del nye studier som ser veldig lovende ut, og det bør være mulig, som en forsker beskrev det, å “temme faktor-zoo-en”.

Referanser

Feng, Guanhao and Giglio, Stefano and Xiu, Dacheng, Taming the Factor Zoo (August 31, 2017). Fama-Miller Working Paper Forthcoming; Chicago Booth Research Paper No. 17-04. https://ssrn.com/abstract=2934020

Fischer, Thomas; Krauss, Christopher (2017) : Deep learning with long short-term memory networks for financial market predictions, FAU Discussion Papers in Economics, No. 112017 http://hdl.handle.net/10419/157808

Hou, Kewei and Xue, Chen and Zhang, Lu, A Comparison of New Factor Models (April 18, 2017). Fisher College of Business Working Paper No. 2015-03-05; HKUST Finance Symposium 2016: Active Investing and Arbitrage Capital; Charles A. Dice Center Working Paper No. 2015-05. https://ssrn.com/abstract=2520929

Kozak, Serhiy and Nagel, Stefan and Santosh, Shrihari, Shrinking the Cross Section (November 14, 2017). https://ssrn.com/abstract=2945663

Messmer, Marcial, Deep Learning and the Cross-Section of Expected Returns (December 2, 2017). https://ssrn.com/abstract=3081555

Thomas Nygaard avatar
Om Thomas Nygaard
Thomas Nygaard har bakgrunn som autorisert finansanalytiker (AFA, CEFA) og porteføljeforvalter. Han har en bachelor-grad i økonomi fra Northwestern University (Chicago) og en MBA i finans fra Norges Handelshøyskole (NHH). Thomas startet sin karrière innen finans- hos forskningsavdelingen ved Chicago Board of Trade i 1994 og har siden det jobbet som finansanalytiker, porteføljeforvalter og analysesjef for teknisk og kvantitativt orienterte analysefirmaer, meglerhus og forvaltere. Han var med å bygge opp analyseselskapet Investtech, blant annet startet han deres kontor i Nederland. I 2010 utga han boken 'Teknisk analyse - bli en bedre investor'. De siste årene har Thomas rettet fokus mot det som kalles faktoranalyse, der han har gått i dybden og har sett på hva som er de vanligste feilene investorer gjør, og hvilke faktorer forskningen viser kan gi investorer meravkastning.