Bigdata - wat kunnen assetmanagers ermee?

Een robot als collega wordt is het cliché als beleggingsprofessionals het hebben over de toekomst van financiële sector. Maar dat is wellicht wat kort door de bocht. 

Feit is dat kostendruk vermogensbeheerders noodzaakt om meer te innoveren en efficiënter te werken. Dat kan met robots. Die nemen delen van processen met een hoog repetitief karakter of oneindig veel data uit handen en maken het beleggingsproces goedkoper.

En terwijl ze dit doen leren ze telkens bij met als doel het in de toekomst nóg sneller en beter te doen. Learning on the job dus. Maar wat leren ze dan en met welke data? Grote vermogensbeheerders als BlackRock en J.P. Morgan AM verzamelen al heel veel data, maar verzamelen is niet de crux.

Dat is uitzoeken wat vermogensbeheerders kunnen doen met deze data. Hoe ze hun dienstverlening kunnen verbeteren. Neem data met betrekking tot productperformance, historisch maar ook realtime biedt dit vrijwel eindeloze analysemogelijkheden.

Data zonder datascience is niks

Dat is overigens ook meteen een valkuil, want data zonder datascience blijft slechts data. Datascience en beleggingsexpertise zijn noodzakelijk om tot waardevolle en relevante inzichten te komen. Een praktijkvoorbeeld bij J.P. Morgan AM. 

De grote hoeveelheid researchnotes is een goed voorbeeld van de veelheid aan data bij de vermogensbeheerder. Sinds 1999 worden gemiddeld zo’n 75 researchnotes per dag geschreven, dit komt neer op ruim 300.000 researchnotes totaal, een kleine 37 miljoen woorden.

In combinatie met historische marktdata zouden zij hier heel interessante inzichten uit kunnen halen in termen van marktsentiment. Door patronen over een langere termijn te analyseren, ontstaat er dan een potentiële voorspelkracht. Dit leek tot voor kort echter vrijwel onmogelijk. Want hoe kan een mens uit deze immens grote hoeveelheid data de bruikbare informatie filteren?

Speld in datahooiberg

Anuj Arora, portfoliomanager Emerging markets Asia & Pacific equities bij J.P. Morgan AM, legt uit dat het dankzij natural language processing mogelijk is om de speld in de datahooiberg te vinden.

Natural language processing is een subonderdeel van artificial intelligence en heeft betrekking op de vaardigheid van een computerprogramma om een menselijke taal te begrijpen. Zo hebben ze bij J.P. Morgan computers geleerd om positieve en negatieve woorden van elkaar te onderscheiden en zodoende een indicator van marktsentiment te vormen.

De tweede toepassing zit op het gebied van orderuitvoering. Het belang hiervan is goed te begrijpen, als we bedenken dat er iedere 30 minuten een kapitaalstroom van vijf miljard Amerikaanse dollars plaatsvindt, waarin 8.000 orders worden aangeboden bij een beurs en 3.000 effecten worden verhandeld in 100.000 orders.

Grote volumes

Bij ieder orderuitvoering onthoudt de computer wat er nu precies gebeurd is. Op basis hiervan leert de computer om orders steeds efficiënter en sneller uit te voeren. Bij grote handelsvolumes kan een kleine absolute verbetering al een grote impact hebben.

Des te meer omdat er in de afgelopen vijf jaar drie en een half keer zoveel trades waren. “Zeker op dit specifieke gebied is het potentieel voor de toekomst enorm,” aldus Kristian West, Global Head of Equtity Trading and Equity Data Science bij JP Morgan AM.

Het mooie van deze voorbeelden van machine learning is bovendien dat hoe meer data computers verteren, hoe meer de machine leert en hoe beter deze gaat functioneren. En hoewel de focus op dit moment hoofdzakelijk ligt op de eigen data van JP Morgan AM, worden er ook gesprekken gevoerd met externe dataleveranciers.

Big data, machine learning en digitale innovatie veranderen de vermogensbeheerindustrie. Een bijeffect hiervan is dat het profiel van de gemiddelde werknemer in de sector ook verandert. IT-kennis is in veel gevallen niet langer een pré, maar misschien wel een vereiste.