Hvilke norske aksjer vil AI-modellen velge i august?

Les hvilke norske aksjer AI Alpha Labs AI-modell velger i august og få innsikt i teorien og kunnskapen som er grunnlaget for AI-modellen vår. I dette blogginnlegget skriver vi om viktigheten av å skille mellom risiko og ekte usikkerhet.

Som en del av hvert blogginnlegg starter vi med å vise noen aktuelle aksjevalg og utvikling fra vår Norwegian Focus Portfolio. Porteføljen er langsiktig, består av ca. 10 norske aksjer hvorav alle aksjene er valgt utifra vår AI-modell.

Norwegian AI Focus Portfolio

Utviklingen er basert på simulert modellporteføljeavkastning for perioden 01.01.2020 – 26.07.2023. Valuta: USD. Benchmark: Oslo Børs Benchmark. Inkludert transaksjonskostnader på 0,2 % på alle handler. Gebyrer påløpt av investor, som administrasjonsgebyrer og depotkostnader, er ikke inkludert. Avkastningen som vises, er simulert og utgjør derfor ikke avkastning fra en faktisk investering i perioden. Det understrekes at historisk avkastning, enten faktisk eller simulert, ikke er en garanti for fremtidig avkastning, på samme måte som avkastningen kan variere som følge av svingninger i valutakurser.

Våre blogginnlegg

Hos AI Alpha Lab ønsker vi å bruke blogginnlegg for å gi leserne innsikt i teorien og kunnskapen som er grunnlaget for AI-modellen vår. AI handler om å forstå problemet du står overfor, samt hvordan det må løses ved hjelp av riktig type datamodell.

For å forstå hvordan AI-modellen vår skaper verdi, er det avgjørende å forstå tankene bak utviklingen. I de neste innleggene vil vi ta leserne gjennom tankeprosessen vår rundt bruken av AI i investering, og dekke følgende:

1. Investering er usikkert – så du trenger en usikkerhetsmodell (dette innlegget)
2. Bayesiansk maskinlæring – hvorfor?
3. En usikkerhetsmodell lar deg investere som en taper – og det er bra!
4. Hvordan tar du valg basert på sannsynligheter? Du gjør det allerede, men ikke når du investerer.
5. Hva skaper en robust investeringsprosess? Prosessensemble.
6. Hva skaper en robust investeringsprosess? Risiko ved rebalansering.
7. Hvordan vurderes ytelse? Høy avkastning betyr ikke nødvendigvis en god investering.

Risiko eller usikkerhet?

Frank Knight var en særegen økonom som formaliserte en forskjell mellom risiko og usikkerhet i boken sin fra 1921, “Risk, Uncertainty, and Profit”. Ifølge Knight bringer en stadig endrende verden nye muligheter for å ta lønnsomme investeringsbeslutninger, men det betyr også at vi har manglende kunnskap om fremtidige hendelser.

Knight skilte mellom to typer usikkerhet, risiko og ekte usikkerhet. Ifølge Knight, gjelder risiko i situasjoner der vi kjenner de mulige utfallene på forhånd og der vi nøyaktig kan måle sannsynlighetene knyttet til de individuelle utfallene. Et eksempel på risiko er å kaste et par terninger. Før vi kaster, vet vi på forhånd hvilken sannsynlighet det er for mulige utfall (forutsatt at terningen er rettferdig). Når vi deltar i et terningspill kan vi ta gunstige beslutninger med hensyn til utfallsrommet, siden det totale fremtidige utfallsrommet er kjent på forhånd.

Imidlertid står man overfor risikoen for at ugunstige tilfeldige utfall vil materialisere seg over begrensede tidsperioder. I ethvert sjansespill står vi alltid overfor risikoen for at riktig beslutning kan føre til feil utfall på kort sikt. Imidlertid sikrer konvergens til gjennomsnittet (loven om store tall) at risikohåndtering på lang sikt er ganske enkelt. Du tilpasser investeringen din til sannsynligheten for at den skal lønne seg.

Når usikkerhet er en sannsynlighetsmessig målbar risiko er det mulig å utforme retningslinjer som er gjennomsnittlig optimale eller optimale for enkelte kvantiler. Utformingen av retningslinjer under risiko er basert på grunnleggende prinsipper som uttrykkes gjennom økonomisk teori og gjør det mulig for investorer å skille mellom gode, dårlige, vinnende og tapende investeringer. Dessverre møter de fleste virkelighetsproblemer ikke bare risiko, de står også overfor en mye vanskeligere utfordring, usikkerhet.

Usikkerhet oppstår når vi ikke kjenner de mulige utfallene på forhånd, og sannsynligheten tilknyttet disse. Ekte usikkerhet oppstår i komplekse systemer der mange aktører samhandler over tid, og skyldes det faktum at det i den fysiske virkeligheten kan skje flere ting enn det som faktisk skjer.

Hittil har profesjonelle investorer vært begrenset av modellvalget i beslutningsprosessen. Modellene har kun hensyntatt tidligere risikovurderinger (datarisiko), med maksimal sannsynlighetsestimering, uten å inkludere den krevende vurderingen om tillit til fremtidig modellprestasjon, det vil si modellusikkerhet.

Prediktiv usikkerhet

For å ta best mulige beslutninger under usikkerhet trenger man en rekke framtidsscenarier og den tilknyttede sannsynligheten for realisering. Innen investering kan scenariet være forventet avkastning for en rekke aksjer. For å beregne den fremtidige verdien av en investering i en gitt aksje, trenger man det vi kaller prediktiv usikkerhet.

Prediktiv usikkerhet er summen av to typer usikkerhet, aleatorisk og epistemisk usikkerhet. Aleatorisk usikkerhet eller datarisiko, er den iboende usikkerheten i ikke-stasjonære data som gjenspeiles i enhver modell som anvendes basert på dataene. Dette er den eneste typen usikkerhet investorer har vært i stand til å kvantifisere frem til nå, og derfor har investorer, bevisst eller ikke, gjort antagelsen om at aleatorisk usikkerhet kan tilnærme seg total eller prediktiv usikkerhet.

Tilnærmingen er bare sann hvis vi videre antar at valgt modell er riktig modell til enhver tid, dvs. modellen kan forventes å prestere like godt til enhver tid. Dette er langt fra sant, og derfor er tilnærmingen om at historisk risiko tilsvarer prediktiv usikkerhet i beste fall feilaktig.

Vi må beregne epistemisk- eller modellusikkerhet for å få en bedre forståelse av optimal beslutningstaking ved investeringer. Dette kan være en vanskelig oppgave, da det innebærer beregning av alle mulige modell- eller parameter konfigurasjoner som er i stand til å forklare et gitt datasett, for å finne sannsynligheten for at den valgte modellen er riktig.

Bayesiansk maskinlæring

Så langt har ikke dette vært mulig, men fremveksten av maskinlæringsmodeller som probabilistiske flerlags-preseptorer, basert på bayesiansk tenkning, har gjort det mulig for oss å kvantifisere epistemisk usikkerhet og dermed kvantifisere prediktiv usikkerhet.

Resultatet er at vi nå kan ta investeringsbeslutninger på mye mer informerte grunnlag, og skape verdier som ikke var mulig for bare 5 år siden. Teorien bak disse maskinlæringsmodellene har eksistert i lang tid, men investorer kan først nå virkelig dra nytte av dem, siden den nødvendige databehandlingskraften ikke har vært tilgjengelig tidligere.

Med andre ord gir bayesiansk maskinlæring oss muligheten til å ta optimale beslutninger i en verden av usikkerhet. Det er grunnen til at vi har utviklet vår AI-modell.

I neste blogginnlegg vil vi dykke dypere inn i hva bayesiansk maskinlæring er, og hvorfor det gir oss muligheten til å ta optimale beslutninger i en verden full av usikkerhet.

” Uncertainty is an uncomfortable position. But certainty is an absurd one.”
– Voltaire

Ansvarsfraskrivelse

Det overstående blogginnlegget er opprinnelig skrevet på engelsk og deretter oversatt av Nordnet. Det originale innlegget kan leses her: Is it risk or is it uncertainty?

Dette blogginnlegget er utarbeidet av AI Alpha Lab ApS (AI Alpha Lab) og inneholder informasjon og inspirasjon for leseren. Innlegget må ikke betraktes som investeringsråd og kan ikke brukes som grunnlag for å kjøpe eller selge verdipapirer (eller avstå fra å gjøre det). AI Alpha Lab påtar seg intet ansvar for beslutninger basert på informasjonen i innlegget.

Dette innlegget er kun ment som informasjon og utgjør ikke, og skal ikke betraktes som, et tilbud, en oppfordring eller en invitasjon til å engasjere seg i investeringsvirksomhet eller som investeringsråd. Hvis investeringsstrategier eller verdipapirporteføljer nevnes, må leseren være klar over at disse ikke nødvendigvis er gunstige for alle investorer, og at AI Alpha Lab ikke kjenner hver enkelt lesers individuelle egenskaper som kunnskap, investeringserfaring, økonomi, risikopreferanser osv.

AI Alpha Lab har tatt alle rimelige forholdsregler for å sikre korrektheten og nøyaktigheten av informasjonen i innlegget, da den er basert på informasjon som er innhentet fra kilder som anses å være pålitelige. Imidlertid kan korrektheten og nøyaktigheten ikke garanteres. Informasjonen i innlegget kan endres uten varsel.

Leseren er ansvarlig for å vurdere informasjonen i innlegget og bestemme om den passer for deres egne omstendigheter og risikoprofil. Leseren bør søke uavhengig profesjonell rådgivning før de tar beslutninger basert på informasjonen i innlegget.

AI Alpha Lab fraskriver seg ethvert ansvar for tap eller skade som måtte oppstå direkte eller indirekte som følge av bruken av eller tiltro til informasjonen i innlegget, inkludert tap eller skade forårsaket av virus, tekniske feil eller utelatelser i innlegget.

Dette innlegget inneholder informasjon som kan betraktes som en investeringsanbefaling i henhold til markedsmisbruksforordningen (forordning 596/2014 fra Europaparlamentet og Rådet), dvs. informasjon som anbefaler eller foreslår en investeringsstrategi for ett eller flere finansielle instrumenter. Nordnet Bank, Karl Johans gate 16C, 0154 Oslo), har ikke deltatt i utarbeidelsen av materialet. AI Alpha Lab er ansvarlig for innholdet i materialet og at det er i samsvar med gjeldende lover og regler.

AI Alpha Lab og deres ansatte eier ikke selv aksjer i selskapene i Norwegian AI Focus Portfolio.

Spesiell oppmerksomhet rettes mot følgende:

• Historisk avkastning er ingen garanti for fremtidig avkastning, på samme måte som avkastningen kan variere som følge av valutasvingninger.

• Ved formidling av investeringsanbefalinger må en rekke opplysninger inkluderes for å sikre objektivitet og avsløring av potensielle interessekonflikter. Informasjonen kan finnes i AI Alpha Labs MAR disclosure og rullerende 12 måneders sammendrag av investeringsanbefalinger.