Satellietfoto’s van parkeerterreinen bij winkelcentra zijn een populaire grondstof geworden voor orakels die hun geld verdienen door te voorspellen in welke richting de financiële markten zich zullen bewegen. Immers, hoe meer auto’s daar geparkeerd staan en hoe hoger het dagelijks verloop in die populatie, hoe meer consumenten waarschijnlijk spenderen in de winkels.
Maar die meetmethode werkt alleen in de VS,” vertelt Hania Schmidt (foto). “Amerikanen zijn aangewezen op de auto. Europeanen veel minder. In Europa zijn winkelparkings ook vaker ondergronds."
Hania Schmidt
Schmidt, onlangs even in Nederland, is Executive Director Quantitative Strategies bij Goldman Sachs Asset Management (GSAM). De obstakels bij kwantitatief beleggen op basis van grote hoeveelheden digitaal vergaarde data, zo wil zij maar zeggen met haar parkingvoorbeeld, schuilen vaak in onvermoed aardse en analoge hoekjes.
Quant-strategieën
GSAM claimt een eigen aanpak te hebben ontwikkeld die verfijnder en effectiever is dan van concurrenten. De assetmanager maakt die inzichtelijk voor klanten via het online platform Quantinomics.
Goldman’s quant-team beheert 150 miljard dollar wereldwijd via verschillende strategieën, waaronder smart bèta, alternative risk premia en equity alpha (actieve aandelenfondsen). In de laatste categorie vallen zes long only UCITS-fondsen: in small- en largecaps uit de VS en wereldwijd, in Europese largecaps en opkomendemarktenaandelen.
Onder de paraplu van equity alpha beheren Schmidt en team nu nog minder dan de helft van wat er in smart bèta zit. Maar de categorie groeit wel als kool. “We zitten inmiddels op 42 miljard dollar. Anderhalf jaar geleden was dat nog maar achttien miljard.”
Voorsprong
“Wij ploegen bepaalde databases door, onder meer op aanwijzingen welke aandelen ondergewaardeerd zijn en welke de beste groeiverwachtingen hebben. We proberen daarnaar te handelen voordat die informatie de rest van de markt bereikt.”
Een simpel voorbeeld: u kunt wachten tot beursfondsen hun kwartaalcijfers publiceren, maar dan koopt of verkoopt u die aandelen tegelijk met de meute. Zulke cijfers worden slechts eens in de drie maanden openbaar en lopen gemiddeld tweeëneenhalve week achter de feiten aan, aldus GSAM.
Creditcard-gegevens komen iedere maand beschikbaar, met een vertraging van slechts zes dagen. Door die data te evalueren, probeert het Goldmanteam grootwinkelbedrijven te identificeren die meer creditcardaankopen scoren dan hun concurrenten. En die dus vermoedelijk een stijging van winst en omzet zullen melden.
Crowded
Creditcard-data als beleggingssignaal – het lijkt een open deur. Maar de parkeeranecdote geeft het aan: welke datasets voor beleggers relevant zijn, en, vooral, hoe u die moet interpreteren, zijn verre van eenvoudig te beantwoorden vragen. Goldman’s selectieproces begint met klassieke fundamentals: bij bedrijven met stabiele omzetten, duurzame businessmodellen en gedegen governance die beleggers onvoldoende waarderen.
Massa’s data en de uitleg daarvan komen aan de orde bij de twee volgende toetsstenen: trends en sentiment. Van het laatste is de digitale vijfhoek FAANG een mooi voorbeeld. Alleen al het feit dat beleggers zo massaal investeren in fondsen als Facebook en Google/Alphabet drijft hun beurskoersen op, geheel los van hun fundamentals.
Dat verhoogt ook de kans op een groter dan gemiddelde koersdaling, omdat die beleggers vaak even massaal tegelijk uitstappen. Quantinomen noemen zulke aandelen crowded en blijven er liever ver vandaan.
Patroonherkenning
Data-analyse stelt hen ook in staat eerder dan anderen trends te signaleren, vooral tussen bedrijven onderling. “Wij proberen min of meer voorspelbare relaties te ontdekken tussen beursfondsen die ogenschijnlijk verschillende markten bedienen.”
Tussen retailers en vastgoedontwikkelaars, bijvoorbeeld. Of tussen banken en autofabrikanten: een groei aan leasecontracten is goed voor de haute finance, niet per se voor de autobouwers zelf. Een van de nieuwste technieken voor dit type analyse is natural language processing: software die patronen herkent in geschreven tekst.
Rapporten van analisten, maar ook de informatie die bedrijven inleveren bij hun toezichthouders. “Regulatory filings zijn notoir moeilijk te kraken zonder gebruik van technologie,” weet Schmidt. “Wij zijn er al zo lang mee bezig dat wij organisch zijn gegroeid in onze data-knowhow. Al onze algoritmen bouwen wij ook in huis.”
Zware outperformance
Bang dat GSAM spoedig dezelfde Big Brother-reputatie zal vergaren als Facebook is Hania Schmidt niet. De quantinomen gebruiken uitsluitend geaggregeerde gegevens die niet zijn terug te voeren op individuele personen. Particulier gedrag is voor hen domweg niet interessant.
De Amerikanen gelden als de grote voorlopers in data mining. Maar de onstuimige groei van Goldman’s Equity Alpha-strategie is volgens Schmidt, opmerkelijk genoeg, min of meer gelijk verdeeld over de VS, Japan, en Europa en het Midden-Oosten. “En een fors gedeelte komt van particuliere beleggers.”
Met equity alpha begon Goldman pas echt in 2007-2009, toen beleggen in traditionele factoren als value en momentum beschikbaar kwamen voor de grote massa van beleggers. “De excess returns begonnen een paar jaren later te komen.” Achteraf kwam dat goed uit.
“Beleggers waren inmiddels veel meer vertrouwd met en gewend aan de omgang met data. Niet alleen beleggers, iedereen omarmt datatechnologie in zijn dagelijkse leven.”