Hvilke norske aksjer vil AI-modellen velge i september?

Les hvilke norske aksjer AI Alpha Labs AI-modell velger i september og få innsikt i teorien og kunnskapen som er grunnlaget for AI-modellen vår. I dette blogginnlegget skriver vi om hvorfor vi bruker en AI-modell basert på Bayesiansk maskinlæring.

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 – September

Utviklingen er basert på simulert modellporteføljeavkastning for perioden 01.01.2020 – 31.08.2023. Valuta: NOK. Equal Weighted Universe: En portefølje som består av alle aksjer fra aksjeuniverset med like stor vekt. 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.

Bayesiansk maskinlæring – hvorfor?

I forrige blogginnlegg fokuserte vi på det faktum at for å ta optimale beslutninger under usikre forhold, som investeringsbeslutninger, trenger du et fremtidsscenario (forventet avkastning for en aksje) og tilhørende sannsynlighet for realisering.

Sannsynlighetsberegningen består av summen av to typer usikkerhet: datausikkerhet og modellusikkerhet. Frem til i dag har vi klart å kvantifisere datausikkerheten, men ikke modellusikkerheten. Dette innebærer å beregne alle mulige modellspekulasjoner som kan forklare en gitt datamengde, for å vurdere sannsynligheten for at den valgte modellen er korrekt.

Bayesianske maskinlæringsmodeller har gjort det mulig for oss å gjøre nettopp det, men hvorfor akkurat?

For å forstå det, må vi gå et steg dypere og se på Bayes’ teorem og begrepet maksimal sanssynlighetsestimering. Det kan bli noe teknisk, men vi gjør vårt beste for å holde det forståelig.

Bayes’ teorem

Nedenfor er Bayes’ teorem, som er en metode for å utføre riktig hypotesetesting eller inferens når man står ovenfor usikkerhet. Selv om mange innen natur- og samfunnsvitenskap er enige om at dette er den riktige tilnærmingen for å observere den fysiske virkeligheten vi lever i, har det historisk sett vært to utfordringer eller faktisk to problemer knyttet til teoremet nedenfor.

Den første utfordringen er håndtering av forhåndskunnskap (Prior – markert i rød). Inkorporering av eksisterende kunnskap krevde at forskere uttrykte sine meninger, noe som ikke var en enkel oppgave, i tillegg til at de måtte formalisere denne kunnskapen. Den andre utfordringen er å beregne den marginale sannsynligheten (Marginal – markert i blå). Dette krever estimering av alle potensielle hypoteser eller modeller basert på de observerte dataene, en enormt utfordrende prosedyre med potensielt milliarder av parametere som skal estimeres.

Løsningen på disse to utfordringene ble å naivt anta at vi ikke har noe forhåndskunnskap om de problemene vi forsøkte å løse. Dette innebar å fjerne forhåndskunnskapen fra telleren og ikke behandle problemene som probabilistiske og dermed redusere den marginale sannsynligheten i nevneren til en normaliseringsfaktor som kan fjernes. Det eneste gjenværende uttrykket på høyre side av Bayes’ teorem er sannsynlighet (Likelihood) og vi kan dermed utlede ting om verden ved å kun kalkulere maksimale sannsynlighet. For å komme dit gjorde vi dog mange tvilsomme antakelser.

Maksimal synnsynlighetsestimering

Maksimal sannsynlighetsestimering refererer i utgangspunktet til en prosedyre som søker å tilpasse modellens parametere til et gitt datasett på best mulig måte. Dette er problematisk datasettet som brukes til å tilpasse modellen er forskjellig fra datasettet som modellen er ment å forklare. Dynamisk data, som det meste av finansiell data er, inneholder ikke nødvendigvis en god prognose av fremtiden og siden modeller for maksimal sannsynlighetsberegning kun bruker data, er evnen til å ekstrapolere inn i fremtiden begrenset.

Modeller for maksimal sannsynlighetsberegning tar ikke hensyn til eventuell forhåndskunnskap vi måtte ha, samtidig som modellen er tvunget til å gi en best mulig tilpasning. Denne kombinasjonen gjør at modeller for maksimal sannsynlighetsberegning er sårbare for å finne korrelasjoner og ikke årsakssammenhenger.

Nøkkelen for å løse dette problemet ligger i prinsippet bak bayesiansk maskinlæring, som kombinerer data, domenekunnskap og probabilistisk modellering. Ved å inkludere forhåndskunnskap om problemet, kode det som en statistisk fordeling og deretter kombinere det med informasjonen i datasettet, reduseres risikoen for å tilpasse modellen kun til statistiske sannheter (hypotesegenerering og ikke hypotesevaluering) betraktelig.

I tillegg gir bayesianske maskinlæringsmodeller rom for at modellen kan uttrykke usikkerhet rund sine egne konklusjoner. Dette tvinger modellen til å se bort fra tilfeldige korrelasjoner og kvantifisere gyldigheten av prediksjonene. Kombinasjonen av alt dette resulterer i en modell som faktisk har forståelse for miljøet den opererer i.

For å dra nytte av fordelene med må vi som mennesker være smarte i bruken av dette kraftfulle nye verktøyet. De fleste populære modellene innen maskinlæring i dag, som nevrale nettverk, tilpasser bare en linje til eksisterende data, det vil si en avansert lineær regresjon.

Uansett hvor kompleks eller dypt nettverket er, gjør nettverket akkurat det samme. Du kan konfigurere det annerledes for å få representasjoner i ulike lag og gjøre det mer effektivt, men den aavgjørende delen er hvordan modellen må relatere til dataen det er trent på, og variablene den prøver å forklare. Er disse statiske eller variable? En enkel persepsjonsmodell gir deg bare ett svar som passer modellen din uten å stille spørsmål ved den, i likhet med klassiske modeller for maksimal sannsynlighetsestimering.

Ved å benytte bayesianske prediktive inferensmaskiner med probabilistisk programmering, kan du gi algoritmen anledning til å ha tvil og muligheten for at modellen kan motbevise antagelsen din. På denne måten minimerer vi risikoen for å tilpasse modellen vår til tilfeldige korrelasjoner i datasettet og maksimerer sannsynligheten for at vi tilpasser modellen til de faktiske årsakssammenhengene, som samsvarer med den fysiske virkeligheten vi lever i.

Den nye doktrinen

Matematikere, statistikere, fysikere og profesjonelle investorer har blitt indoktrinert med modeller som aldri far utformet for å løse komplekse problemer i virkeligheten. Disse modellene baserte seg på strenge antakelser for å tilpasse seg en virkelighet som aldri eksisterte, men som så langt har vært akseptert ettersom det ikke fantes alternativer. I dag finnes det!

Bayesiansk maskinlæring gir oss muligheten til å treffe optimale beslutninger i en verden preget av usikkerhet. Vi kan nå modellere verden uten å være avhengig av urealistiske antakelser som kun gir statistiske resultater.

Ja, investorer blir tvunget til å trå inn i ukjent farvann, utdanne seg innen felt som i finansmiljøet tidligere ikke var nødvendig, og akseptere at datamaskiner nå er i stand til å løse visse oppgaver mye bedre enn mennesker. Imidlertid tror vi i AI Alpha Lab at de som tar dette spranget, utdanner seg og inkorporerer maskinlæring, vil bli rikelig belønnet. De vil være i forkant av aktiv investering i de kommende tiårene, ta mer informerte investeringsbeslutninger, og være bevæpnet med kunnskap om det de ikke vet!

Sørg for å lese vårt neste innlegg der vi viser at en usikkerhetsmodell gjør det mulig for deg å investere som en taper – og hvorfor det er en god ting!

“It ain’t what you don’t know that gets you into trouble.
It’s what you know for sure that just ain’t so.”
– Mark Twain

Ansvarsfraskrivelse

Det overstående blogginnlegget er opprinnelig skrevet på engelsk og deretter oversatt av Nordnet. Det originale innlegget kan leses her: Bayesian Machine Learning.

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.