Kan AI velge aksjer – hva sier dataene?

Kan AI gjøre deg til en bedre investor? Hos AI Alpha Lab tester vi regelmessig og systematisk vår AI-modell mot markedet – ved hjelp av hypoteser, dataanalyse og innsikt i stedet for blind tro. Les hvordan i denne bloggen.

Kan AI gi bedre avkastning enn mennesker? Mange har en mening om dette, men hvordan tester man det?

En veldig konkret tilnærming ville være å se på fondet vårt, som nettopp har feiret sin 2-årsdag. Vår AI-modell velger alle aksjer i fondet, og per 16. desember 2025 har det gitt en avkastning på 45,7 %, mens det generelle aksjemarkedet har gitt en avkastning på 39,7 % i samme periode, representert av iShares Core MSCI World UCITS ETF.

Men etter vår mening er omtrent 2 år altfor kort tid til å trekke noen konklusjoner. Som med det meste vi gjør, vil vi nærme oss spørsmålet ovenfor med en vitenskapelig tilnærming. For å gjøre det trenger vi en hypotese som vi kan teste.

Vi har kommet til den konklusjonen at den mest relevante hypotesen er følgende: «Kan vi benekte at AI kan ta gode investeringsbeslutninger?» Mange vil sannsynligvis mene at dette er en litt invertert hypotese. Hvorfor ikke heller bekrefte den? Du kan lese mer om det nedenfor.

Vitenskapens metode

Vi lever i en tid der kunstig intelligens (AI) i økende grad spiller en rolle i forskning, i næringslivet og i måten vi tar beslutninger på. Men det er en utbredt misforståelse som går igjen både i laboratoriet, på børsen og i møtet med AI: troen på at teknologien eller dataene i seg selv gir svarene.

Sannheten er det motsatte. God bruk av AI begynner ikke med AI. Den begynner med en hypotese. I vitenskapen starter alt med et spørsmål: Hvordan henger dette sammen?

Forskeren formulerer en hypotese, en kvalifisert antagelse om hvordan verden fungerer. En hypotese er ikke bevis, men et forslag som kan testes. Den vitenskapelige metoden innebærer deretter systematisk å teste denne hypotesen gjennom observasjoner, eksperimenter og dataanalyse. Nøkkelen er ikke å lete etter bekreftelse, men etter tilbakevisning.

Et viktig poeng som mange utenfor forskningsverdenen misforstår, er at vitenskapen sjelden beviser noe definitivt. I stedet søker den å motbevise hypoteser. Hvis en hypotese gjentatte ganger overlever forsøk på å bli motbevist, får den større troverdighet, men den kan alltid endres hvis nye bevis dukker opp. En god forsker prøver aktivt å falsifisere hypotesen sin. Hvis han mislykkes, blir den sterkere, men aldri ufeilbarlig.

Et klassisk eksempel kommer fra vitenskapsfilosofen Karl Popper (1902–1994), som gjorde falsifisering til et sentralt prinsipp: En påstand er bare vitenskapelig hvis den kan falsifiseres. Det vil si hvis man kan tenke seg et eksperiment som kan vise at den er feil. Eller med andre ord: En teori er bare vitenskapelig hvis den kan motbevises.

Det er denne evnen til å bli utfordret som skiller kunnskap fra tro. Mange tror at når «vitenskapen har bevist noe», er det ugjenkallelig sant. I virkeligheten jobber forskere med sannsynlighetsgrader. Vitenskapelig kunnskap utvikler seg etter hvert som nye data endrer vår forståelse.

En annen vanlig misforståelse er at man kan «bevise» en sammenheng bare ved å finne et mønster. Korrelasjon er ikke det samme som årsakssammenheng. Bare fordi to ting skjer samtidig, betyr det ikke at den ene forårsaker den andre.

AI som et vitenskapelig verktøy, ikke som et sannhetens orakel

AI er et kraftig verktøy for å analysere data, finne mønstre og generere forslag. Det er imidlertid bare så nyttig som hypotesen den opererer på.

Hvis du mater en AI-modell med et dårlig formulert spørsmål, vil du få et raskt og velargumentert, men fortsatt meningsløst svar. Det er her mange brukere feiler: de starter med teknologien i stedet for tankesettet. Det samme prinsippet gjelder når man investerer. Hver investering er basert på en investeringshypotese – en idé om hvorfor en bestemt aksje, sektor eller strategi vil prestere.

Den vitenskapelige tilnærmingen er som følger:
1. Formuler en hypotese. Hva vil du undersøke eller avklare?
2. Bruk AI til å teste eller utfordre den.
3. Se etter bevis for tilbakevisning. Ikke bare bekreftelse.

For eksempel kan en analytiker formulere følgende hypotese: «Selskaper som investerer tidlig i bærekraftig teknologi har bedre langsiktig inntjening.» AI kan deretter bidra til å analysere regnskaper, markedstrender og nyhetsdata for å teste om hypotesen holder mål – eller bør forkastes. Her blir ikke AI en spåkone, men et verktøy for systematisk tvil.

I likhet med forskeren må investoren akseptere at en hypotese kan vise seg å være feil – og handle deretter. Dette er ikke et nederlag, men en del av den vitenskapelige prosessen.

Hos AI Alpha Lab hører vi ofte utsagnet: «Jeg tror ikke AI kan skape god investeringsavkastning.» Dette er en problematisk tilnærming som ofte er basert på ikke noe mer enn gjetting og halvsannheter. I stedet bør investorer etter vår mening nærme seg nye investeringsmuligheter, inkludert AI, med følgende tankegang: «Jeg tror AI kan forbedre avkastningen min, men la meg prøve å motbevise det.»

Markedet som et laboratorium

Investeringer er fundamentalt sett eksperimenter i økonomisk atferd. Enhver beslutning er basert på en hypotese om fremtiden. For eksempel kan en investor tenke: «Rentene vil falle innen et år, og det vil være til fordel for eiendomsaksjer.»

Hypotesen kan testes gjennom dataanalyse, makroøkonomiske indikatorer og tidligere mønstre – noe AI kan hjelpe med i stor skala. Men som i vitenskapen, bør du ikke bare se etter bekreftelse. Du bør spørre: Hva kan motbevise antagelsen min?

Hvis inflasjonen plutselig stiger, eller sentralbanker signaliserer det motsatte, må hypotesen justeres. Investering blir da et eksperiment, ikke et dogme.

Feilen mange gjør

Forskere, investorer og AI-brukere kan falle i samme felle – bekreftelsesskjevhet. Det vil si tendensen til å søke bevis som støtter det du allerede tror.

En investor som er forelsket i teknologisektoren, eller en dataforsker som allerede «vet» hva AI vil finne, vil nesten alltid få svaret de leter etter. De lærer bare ikke noe nytt. Den vitenskapelige tilnærmingen krever det motsatte: å lete etter sprekkene i din egen logikk. Det er der innsikten kommer inn.

For eksempel tror en investor at «teknologiaksjer alltid går opp på lang sikt». Hvis de bare leser positive nyheter om Apple og Microsoft og ignorerer synkende marginer hos mindre teknologiselskaper, tester de ikke hypotesen sin ærlig – de beskytter bare egoet sitt.

En mer vitenskapelig tilnærming ville være å spørre: «Under hvilke forhold presterer teknologiaksjer dårligere?» «Hva kan motbevise tesen min?» Denne tankegangen hjelper investoren med å oppdage svakheter i strategien sin før markedet gjør det.

Konklusjon

Enten du jobber i et laboratorium, et investeringskontor eller med en AI-modell, gjelder den samme regelen: Tenk først, spør senere. Vitenskapen lærer oss at sannheten sjelden er absolutt, men alltid kan utfordres. Det samme gjelder investering. Den beste investoren er ikke den som alltid har rett, men den som er raskest til å gjenkjenne når han tar feil og handler rasjonelt ut fra det.

AI kan hjelpe oss med å analysere, simulere og forutsi – men den kan ikke definere hva som er verdt å undersøke. Det krever menneskelig nysgjerrighet og evnen til å formulere en klar hypotese.

Så når du vil bruke AI effektivt, ikke begynn med å spørre: «Hva kan AI fortelle meg?»

Spør heller: «Hvilken hypotese kan jeg teste – og hvordan kan AI hjelpe meg med å utfordre den?» Det er ikke AI som gjør oss smartere. Det er måten vi tenker på før vi bruker den.

Å tenke vitenskapelig – å formulere hypoteser, teste dem, søke motbevisninger og oppdatere konklusjonene dine – er kanskje den mest undervurderte investeringsstrategien av alle.

Hos AI Alpha Lab bruker vi kunstig intelligens til å investere, men fundamentalt sett er selskapet vårt bygget på en hypotese: «Kan vi benekte at AI kan ta gode investeringsbeslutninger?»

Vi søker å motbevise denne hypotesen hver dag, og så langt er konklusjonen klar: Vi kan ikke motbevise at AI kan ta gode investeringsbeslutninger. Basert på de siste 5 årene eller så som vår AI-modell har vært i drift, og de 20 årene med data vi har testet modellen på tvers av alle likvide aksjemarkeder, viser resultatene tydelig at en godt designet AI-modell kan slå markedet betydelig over tid.

Betyr dette at det også vil være slik i fremtiden? Nei, som nevnt ovenfor, er det beste vi kan gjøre å kontinuerlig tvile på og teste modellen vår. Så lenge vi kan benekte at den ikke fungerer, kan vi ha tillit til at vi også vil kunne generere meravkastning sammenlignet med det generelle aksjemarkedet i fremtiden.

Les videre neste gang hvor vi vil vise resultatene på en rekke av våre porteføljer, samt hvilke aksjer AI-modellen ser størst potensial i.

~O~

Ansvarsfraskrivelse

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.

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.