อุตสาหกรรมการลงทุนกำลังเผชิญกับการเปลี่ยนแปลงซึ่งส่วนใหญ่เป็นผลมาจากความก้าวหน้าทางเทคโนโลยี ผู้เชี่ยวชาญด้านการลงทุนกำลังผสานรวมเทคโนโลยีใหม่ๆ เช่น การเรียนรู้ของเครื่องจักร (ML) เข้ากับกระบวนการลงทุน รวมถึงการสร้างพอร์ตโฟลิโอ ผู้จัดการสินทรัพย์หลายรายเริ่มนำอัลกอริทึม ML มาใช้ในกระบวนการเพิ่มประสิทธิภาพพอร์ตโฟลิโอ เพื่อให้ได้พอร์ตโฟลิโอที่มีประสิทธิภาพมากกว่าวิธีดั้งเดิม เช่น การเพิ่มประสิทธิภาพความแปรปรวนเฉลี่ย (MVO) แนวโน้มเหล่านี้ทำให้จำเป็นต้องมีการพิจารณาใหม่ว่า ML กำลังเปลี่ยนแปลงกระบวนการสร้างพอร์ตโฟลิโออย่างไร
นักลงทุนจะได้รับประโยชน์จากความเข้าใจพื้นฐานเกี่ยวกับอัลกอริทึม ML และผลกระทบของอัลกอริทึมเหล่านี้ต่อพอร์ตโฟลิโอของพวกเขา ในท้ายที่สุด กลยุทธ์ที่ผู้จัดการสินทรัพย์ใช้ในการสร้างพอร์ตโฟลิโอของลูกค้าจะส่งผลโดยตรงต่อนักลงทุน ดังนั้น นักลงทุนควรมีความตระหนักเพียงพอเกี่ยวกับวิธีการเหล่านี้เมื่อวิธีการเหล่านี้ได้รับความนิยมเพิ่มขึ้น บทความนี้มีจุดมุ่งหมายเพื่อให้ภาพรวมของบทบาทที่อัลกอริทึม ML มีในกระบวนการเพิ่มประสิทธิภาพพอร์ตโฟลิโอ
พื้นหลัง
คำว่า ‘การเรียนรู้ของเครื่องจักร’ ถูกใช้ครั้งแรกโดย AL Samuel ในปีพ.ศ. 2502 Samuel ดำเนินการ การทดลอง โดยการฝึกคอมพิวเตอร์ให้เล่นหมากรุกและสรุปได้ว่าคอมพิวเตอร์มีศักยภาพในการเรียนรู้ได้อย่างมีนัยสำคัญ ผลลัพธ์เหล่านี้ปูทางไปสู่การวิจัยเพิ่มเติมในหัวข้อนี้และนำไปสู่การพัฒนาอัลกอริทึม ML ที่มีประสิทธิภาพและซับซ้อนมากขึ้นในช่วงหลายทศวรรษต่อมา เป็นผลให้อุตสาหกรรมต่างๆ มากมาย รวมถึงการจัดการการลงทุน ได้นำเทคโนโลยีเหล่านี้มาใช้ในช่วงไม่กี่ปีที่ผ่านมา
อัลกอริทึม ML มีประโยชน์อย่างยิ่งเมื่อต้องวิเคราะห์ข้อมูลที่มีมิติสูงหรือชุดข้อมูลที่มีความสัมพันธ์แบบไม่เชิงเส้น ซึ่งกำลังกลายเป็นเรื่องธรรมดามากขึ้นเรื่อยๆ เมื่อมีการเพิ่มขึ้นของ ข้อมูลที่ไม่มีโครงสร้าง และแหล่งข้อมูลทางเลือกอื่นๆ หมวดหมู่หลักสองหมวดหมู่สำหรับ ML คือการเรียนรู้แบบมีผู้ดูแลและการเรียนรู้แบบไม่มีผู้ดูแล ด้วยการเรียนรู้แบบมีผู้ดูแล อัลกอริทึม ML จะตรวจจับรูปแบบระหว่างกลุ่มคุณลักษณะ (เช่น ตัวแปรอินพุต) และตัวแปรเป้าหมายที่ทราบ (เช่น ตัวแปรเอาต์พุต)(1)สิ่งนี้เรียกว่าชุดข้อมูลที่มีป้ายกำกับเนื่องจากมีการกำหนดตัวแปรเป้าหมายแล้ว อย่างไรก็ตาม ในการเรียนรู้แบบไม่มีผู้ดูแล ชุดข้อมูลจะไม่มีป้ายกำกับ และตัวแปรเป้าหมายก็ไม่เป็นที่รู้จัก ดังนั้น อัลกอริทึมจึงพยายามระบุรูปแบบภายในข้อมูลอินพุต ภาคผนวก 1 อธิบายถึงอัลกอริทึม ML ทั่วไปบางส่วนที่ผู้เชี่ยวชาญด้านการลงทุนใช้ในปัจจุบัน
ภาคผนวก 1: อัลกอริทึมการเรียนรู้ของเครื่องจักรทั่วไปในการจัดการการลงทุน
| อัลกอริทึม ML | คำอธิบาย |
| ตัวดำเนินการการหดตัวและการเลือกแบบสัมบูรณ์น้อยที่สุด (LASSO) | รูปแบบหนึ่งของการถดถอยแบบมีโทษซึ่งรวมถึงเงื่อนไขโทษสำหรับคุณลักษณะเพิ่มเติมแต่ละรายการที่รวมอยู่ในแบบจำลองการถดถอย เป้าหมายของเทคนิคการทำให้เป็นมาตรฐานนี้คือการสร้างแบบจำลองการถดถอยแบบประหยัดโดยลดจำนวนคุณลักษณะให้เหลือน้อยที่สุดและเพิ่มความแม่นยำของแบบจำลอง |
| เค-หมายถึงการรวมกลุ่ม | แบ่งข้อมูลออกเป็น เค คลัสเตอร์ การสังเกตแต่ละอย่างในคลัสเตอร์ควรมีลักษณะคล้ายคลึงกับการสังเกตอื่นๆ และแต่ละคลัสเตอร์ควรมีความแตกต่างอย่างชัดเจนจากคลัสเตอร์อื่นๆ |
| การจัดกลุ่มตามลำดับชั้น | 2 ประเภท: การจัดกลุ่มแบบลำดับชั้นจากล่างขึ้นบน ซึ่งรวบรวมข้อมูลเป็นกลุ่มที่ใหญ่ขึ้นเรื่อยๆ และการจัดกลุ่มแบบลำดับชั้นจากบนลงล่าง ซึ่งแยกข้อมูลเป็นกลุ่มที่เล็กลงเรื่อยๆ วิธีนี้ทำให้มีวิธีการอื่นๆ ในการจัดกลุ่มข้อมูล |
| เครือข่ายประสาทเทียม (ANN) | เครือข่ายของโหนดที่ประกอบด้วยชั้นอินพุต ชั้นที่ซ่อนอยู่ และชั้นเอาต์พุต ชั้นอินพุตแสดงถึงคุณลักษณะ และชั้นที่ซ่อนอยู่คือที่ที่อัลกอริทึมเรียนรู้และประมวลผลอินพุตเพื่อสร้างเอาต์พุต อัลกอริทึมเหล่านี้มีการใช้งานมากมาย รวมถึงการจดจำเสียงพูดและใบหน้า |
ผู้เชี่ยวชาญด้านการลงทุนคาดหวังว่าวิธีการวิเคราะห์แบบใหม่จะเข้ามามีบทบาทอย่างมากในอุตสาหกรรมการลงทุนในอีกไม่กี่ปีข้างหน้า ผู้ตอบแบบสอบถามปี 2022 สำรวจ สมาชิก CFA Institute กว่า 2,000 รายคาดการณ์ว่าวิธีการวิเคราะห์ใหม่ๆ เช่น ML จะเป็นปัจจัยสำคัญที่สุดที่ส่งผลต่อบทบาทงานในอีก 5 ถึง 10 ปีข้างหน้าจากผู้ตอบแบบสอบถาม ภาคผนวก 2 แสดงผลลัพธ์นี้ควบคู่กับปัจจัยรบกวนอื่นๆ ที่คาดว่าจะส่งผลต่อบทบาทงาน
ภาคผนวก 2 ปัจจัยที่คาดว่าจะส่งผลต่อบทบาทงานอย่างมีนัยสำคัญในอีก 5 – 10 ปีข้างหน้า
การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ
การพัฒนาของ เครือข่ายประสาทในทศวรรษ 1960 วางรากฐานสำหรับวิธีการทางเลือกมากมายสำหรับการเพิ่มประสิทธิภาพพอร์ตโฟลิโอโดยใช้ ML นอกจากนี้ การเกิดขึ้นของ “ระบบผู้เชี่ยวชาญ”(2) ทำให้ผู้เชี่ยวชาญด้านการลงทุนหันมาใช้เครื่องจักรมากขึ้นเพื่อช่วยแก้ไขปัญหาที่ซับซ้อน การใช้งานระบบผู้เชี่ยวชาญในระบบการเงินในช่วงแรกๆ ได้แก่ การค้าขาย และ การวางแผนทางการเงิน ระบบผู้เชี่ยวชาญ
การใช้อัลกอริทึม ML ในกระบวนการสร้างพอร์ตโฟลิโอได้รับความนิยมเพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมา เนื่องจากผู้เชี่ยวชาญการลงทุนแสวงหาวิธีเพิ่มเติมเพื่อเพิ่มผลตอบแทนของพอร์ตโฟลิโอและเพิ่มความได้เปรียบทางการแข่งขัน โดยเฉพาะอย่างยิ่ง การผสานรวมอัลกอริทึม ML ในกระบวนการสร้างพอร์ตโฟลิโอสามารถแก้ไขความท้าทายและข้อจำกัดของวิธีการเพิ่มประสิทธิภาพพอร์ตโฟลิโอแบบดั้งเดิม เช่น MVO ได้
ข้อจำกัดที่สำคัญประการหนึ่งของ MVO ก็คือ MVO จะพิจารณาเฉพาะค่าเฉลี่ยและความแปรปรวนของผลตอบแทนเมื่อปรับแต่งพอร์ตโฟลิโอเท่านั้น และจะไม่คำนึงถึงความเบ้ของผลตอบแทน อย่างไรก็ตาม ในความเป็นจริง ผลตอบแทนจากการลงทุนมักจะมีความเบ้ โดยเฉพาะอย่างยิ่ง วิจัย ได้แสดงให้เห็นว่าหุ้นเติบโตมีค่าความเบ้เชิงบวกในผลตอบแทนโดยเฉลี่ยสูงกว่าหุ้นมูลค่า เพื่อให้คำนึงถึงความไม่ปกติที่อาจเกิดขึ้นในผลตอบแทนจากการลงทุน ผู้เชี่ยวชาญด้านการลงทุนบางคนจึงเลือกสร้างพอร์ตโฟลิโอโดยใช้แบบจำลองการเพิ่มประสิทธิภาพความแปรปรวนเฉลี่ย-ความเบ้ หรือแม้แต่แบบจำลองการเพิ่มประสิทธิภาพความแปรปรวนเฉลี่ย-ความเบ้-ความเฉียง อย่างไรก็ตาม แบบจำลองเหล่านี้ส่งผลให้เกิดปัญหาการเพิ่มประสิทธิภาพหลายวัตถุประสงค์ ANN สามารถสร้างพอร์ตโฟลิโอที่เหมาะสมที่สุดสำหรับความแปรปรวนเฉลี่ย-ความเบ้ได้อย่างมีประสิทธิภาพ ที่อยู่ข้อจำกัดนี้–
ข้อบกพร่องอีกประการหนึ่งของ MVO คือทำให้ผู้ลงทุนไม่สามารถแสดงความคิดเห็นเกี่ยวกับผลงานของสินทรัพย์ในอนาคตได้ ตัวอย่างเช่น ผู้ลงทุนอาจคาดหวังว่าพันธบัตรจะมีผลงานดีกว่าหุ้นในอีกหกเดือนข้างหน้า แบบจำลอง Black-Litterman (1992) ช่วยให้ผู้ลงทุนสามารถนำมุมมองเหล่านี้ไปใช้กับกระบวนการเพิ่มประสิทธิภาพพอร์ตโฟลิโอได้ แนวทางทางเลือก คือการรวมโมเดล Black-Litterman (1992) เข้ากับ ANN ซึ่งมีศักยภาพในการสร้างผลตอบแทนที่สัมพันธ์กับเกณฑ์มาตรฐานที่สูงโดยไม่ต้องรับความเสี่ยงมากเกินไป
อินพุตใน MVO นั้นมีความอ่อนไหวต่อข้อผิดพลาดในการวัด ซึ่งเป็นจริงโดยเฉพาะอย่างยิ่งสำหรับค่าประมาณผลตอบแทนที่คาดหวัง ดังนั้น MVO จึงมีศักยภาพในการสร้างพอร์ตโฟลิโอ “ที่เหมาะสมที่สุด” ที่มีประสิทธิภาพต่ำ การเพิ่มประสิทธิภาพแบบย้อนกลับอาจเป็นทางเลือกที่มีประโยชน์ในการพัฒนาค่าประมาณผลตอบแทนที่คาดหวังที่แม่นยำยิ่งขึ้น ผู้เชี่ยวชาญด้านการลงทุนสามารถใช้ค่าประมาณที่ปรับปรุงแล้วเหล่านี้เป็นอินพุตใน MVO แบบดั้งเดิมเพื่อสร้างการจัดสรรสินทรัพย์ที่มีประสิทธิภาพมากขึ้น ผู้เชี่ยวชาญด้านการลงทุนยังสามารถใช้อัลกอริทึม ML เพื่อสร้างพอร์ตโฟลิโอที่มีประสิทธิภาพมากขึ้น คาดการณ์ผลตอบแทนหุ้น และรวมการประมาณค่าเหล่านี้ไว้ใน MVO หรืออีกทางหนึ่ง การศึกษาล่าสุดได้พัฒนา เพิ่มประสิทธิภาพพอร์ตโฟลิโอ แนวทางดังกล่าวประกอบด้วยการใช้พารามิเตอร์การหดตัวของความสัมพันธ์เพื่อปรับปรุงอัตราส่วน Sharpe โดยประมาณ และจากนั้นจึงสร้างพอร์ตโฟลิโอที่เหมาะสมที่สุดตามการประมาณค่าเหล่านี้
สุดท้าย ความท้าทายที่สำคัญในการเพิ่มประสิทธิภาพพอร์ตโฟลิโอคือการประมาณเมทริกซ์ความแปรปรวนร่วม โดยเฉพาะอย่างยิ่งสำหรับข้อมูลที่มีมิติสูง โมเดล LASSO สามารถ รับมือกับความท้าทายนี้ โดยสร้างการประมาณค่าเมทริกซ์ความแปรปรวนร่วมที่แม่นยำยิ่งขึ้นมากกว่าวิธีดั้งเดิม ซึ่งถือเป็นข้อมูลสำคัญสำหรับ MVO
บทสรุป
แนวโน้มเหล่านี้ส่งผลต่อผู้เชี่ยวชาญด้านการลงทุนอย่างไร เห็นได้ชัดว่าอุตสาหกรรมการลงทุนกำลังพัฒนาอย่างรวดเร็วเพื่อตอบสนองต่อเทคโนโลยีใหม่ๆ ผู้เชี่ยวชาญด้านการลงทุนคาดการณ์ว่าวิธีการวิเคราะห์ใหม่ๆ เช่น ML จะเข้ามาเปลี่ยนแปลงบทบาทหน้าที่การงานอย่างมากในอีกไม่กี่ปีข้างหน้า ด้วยเหตุนี้ ผู้ปฏิบัติจึงเริ่มนำอัลกอริทึม ML มาใช้กับทุกพื้นที่ของกระบวนการลงทุน
ผู้จัดการสินทรัพย์จำนวนมากพยายามที่จะได้รับข้อได้เปรียบในการแข่งขันโดยการสร้างพอร์ตโฟลิโอที่มีผลตอบแทนสูงกว่าสำหรับระดับความเสี่ยงที่กำหนด (เช่น อัตราส่วน Sharpe ที่สูงขึ้น) ผ่านการผสานรวมอัลกอริทึม ML ในกระบวนการเพิ่มประสิทธิภาพพอร์ตโฟลิโอ นอกจากนี้ อัลกอริทึม ML สามารถเอาชนะความท้าทายและข้อจำกัดหลายประการของวิธีการเพิ่มประสิทธิภาพพอร์ตโฟลิโอแบบดั้งเดิมได้ ซึ่งทำให้ผู้เชี่ยวชาญด้านการลงทุนแสวงหาวิธีการสร้างพอร์ตโฟลิโอที่มีประสิทธิภาพมากขึ้น นักลงทุนจะได้รับประโยชน์จากการตระหนักรู้ถึงแนวโน้มเหล่านี้มากขึ้น เพื่อทำความเข้าใจผลกระทบของวิธีการเพิ่มประสิทธิภาพใหม่ๆ ต่อพอร์ตโฟลิโอของตนได้ดีขึ้น
(1) ในบางกรณี ชุดข้อมูลอาจมีตัวแปรเป้าหมายมากกว่าหนึ่งตัว
(2) ระบบผู้เชี่ยวชาญอธิบายถึงโปรแกรมคอมพิวเตอร์ที่สามารถแก้ปัญหาที่ซับซ้อนซึ่งโดยปกติแล้วผู้เชี่ยวชาญจะเป็นผู้แก้ไข ดู: ระบบผู้เชี่ยวชาญ | AI, การแสดงความรู้และการใช้เหตุผล | Britannica
