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. 11⁄2017 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