Nieuws

Machine learning biedt hedgefondsen uitweg

Hedgefondsen hebben het zwaar te verduren. Vooral de long/short-fondsen verslaan zelden de markt. Alleen fondsen die gebruikmaken van machine learning hebben nog succes, schrijft blogger David Bailey.

Hedgefondsen zijn er in allerlei vormen en maten, maar de belangrijkste zijn long/short-fondsen die werken met portefeuilles die bestaan uit  aandelen waar ze sterk in geloven en shortposities in aandelen waarvan ze denken dat ze tijdens een beurscorrectie de hardste klappen zullen krijgen.

Toen deze strategie voor het eerst op grote schaal werd toegepast in de jaren zestig en zeventig van de vorige eeuw werden er grote successen mee geboekt, onder andere door de grondlegger, de Australische financier Alfred Winslow Jones.

Geen wonder dat er veel navolgers zijn, schrijft David Bailey in zijn blog de Mathematical InvestorMomenteel zijn er duizenden hedgefondsen met alleen in de VS naar schatting 4 biljoen dollar onder beheer. Daarvan zit volgens onderzoeksbureau Preqin 683 miljard dollar bij long/short-fondsen.

Hoge vergoedingen

De hedgefondsen vragen gemiddeld hoge fees - in de regel 2% van de portefeuille plus 20% van de winst. Maar helaas vallen de resultaten de laatste jaren tegen. Uit onderzoek van Bloomberg van begin oktober bleek dat slechts 21% van de hedgefondsen op dat moment in de plus stond, 27% op een verlies van 0% tot 10% en 53% op een verlies van meer dan 10%. Gemiddeld stonden Amerikaanse hedgefondsen op een verlies van 15% over de eerste negen maanden van 2022.

"Slechts 21% van de hedgefondsen stond in de plus"

Het onderzoek wees verder uit dat de aandelen waar hedgefondsen long in zaten op een verlies van gemiddeld circa 30% stonden, terwijl hun shorts op 20% verlies stonden. De stockpickers zaten met andere woorden precies verkeerd om.

Slechte voorspellers

Enkele van de meest prestigieuze fondsen hadden het extra moeilijk. Tiger Global is een goed voorbeeld (-52% tot en met september), net als Whale Rock (-41%). Positieve uitschieters waren er ook, zoals Eureka (+4,2%). Het gevolg van de slechte resultaten is dat beleggers grote bedragen terugtrekken.

Een van de grote problemen volgens Bailey is dat de voorspellingen er vaak ver naast zitten. Dat geldt niet alleen voor individuele aandelen, maar ook voor de hele markt. 2020 was een extreem voorbeeld, met analisten die aan het begin van dat jaar een kleine winst voor de S&P 500 voorspelden van een paar procent. Na de uitbraak van corona werd dat sterk naar beneden bijgesteld. Maar de S&P sloot het jaar uiteindelijk af met een winst van 15%.

"Voorspellingen zitten er vaak ver naast"

2020 was dus een heel matig jaar voor voorspellers. Maar ook daarvoor ging het vaak mis. Tussen 2000 en 2002 waren de hedgefondsmanagers veel te positief. In 2003 waren ze weer te negatief. En in 2008 werd winst voorspeld, terwijl het een rampjaar werd.

Machine learning

Bailey concludeert dat het voor hedgefondsen in een goed functionerende markt met veel deelnemers ongelofelijk moeilijk is de index te verslaan. Het zijn niet alleen mensen die met elkaar concurreren, maar ook computers die in fracties van secondes onvolkomenheden wegwerken.

Toch is het volgens Bailey niet zo dat markten perfect functioneren. Het is alleen de vraag of mensen consequent de fouten kunnen opsporen.

Bailey denkt dat computers daar door middel van machine learning of artificial intelligence (AI) steeds beter in worden. Zijn advies is dan ook om als beleggers een deel van hun geld willen onderbrengen bij hedgefondsen, dat te doen bij degenen die gebruikmaken van AI.

De Redactie van IEXProfs bestaat uit verschillende journalisten. De informatie in dit artikel is niet bedoeld als professioneel beleggingsadvies, of als aanbeveling tot het doen van bepaalde beleggingen. Het is mogelijk dat redactieleden posities hebben in een of meer van de genoemde fondsen. Klik hier voor een overzicht van hun beleggingen.

Lees meer

Assetallocatie