AI vergroot bereik van rendementsmodellen op aandelenmarkt
Het onderzoek richt zich op een bekend probleem binnen vermogensbeheer. Veel gangbare methoden om verwachte aandelenrendementen te bepalen werken vooral goed voor grote ondernemingen met veel analisten en liquide markten voor opties. Voor kleinere, minder gevolgde bedrijven ontbreekt die informatie vaak, terwijl juist daar interessante beleggingskansen kunnen liggen. Met behulp van een zogenoemde transfer learning-aanpak wordt kennis uit deze ‘datarijke’ segmenten toegepast op bedrijven waarvoor minder informatie beschikbaar is. Daardoor ontstaat een veel breder en consistenter beeld van verwachte rendementen.
De onderzoekers tonen aan dat deze aanpak niet alleen de dekking vergroot, maar ook leidt tot economisch relevante beleggingssignalen. Tegelijkertijd waarschuwen zij dat veel bestaande onderzoeksresultaten mogelijk worden beïnvloed door beperkte databeschikbaarheid. Relaties die sterk lijken binnen een selecte groep grote bedrijven blijken soms veel zwakker zodra de volledige markt wordt meegenomen. Daarmee levert het onderzoek niet alleen een nieuwe analysemethode op, maar ook een belangrijke les voor beleggers: de kwaliteit van een model wordt mede bepaald door de vraag voor welke bedrijven de onderliggende data beschikbaar zijn.
Dit is een samenvatting van het volledige artikel op site cfasociety.
