Belangrijke ontwikkelingen op het gebied van big data en machine learning (ML) verleggen de grenzen van kwantitatief beleggen. Deze vooruitgang wordt ondersteund door de toenemende rekenkracht van computers, die het gebruik van ML-modellen mogelijk maakt. In tegenstelling tot rules-based modellen hanteren ML-modellen een volledig datagerichte benadering en zijn ze in staat om complexe, niet-lineaire relaties in een model te gieten. Ze kunnen systematische en herhalende patronen aan het licht brengen die eenvoudige lineaire modellen niet vaststellen.

Hierbij aansluitend kan het vermijden van beleggingen in noodlijdende bedrijven de performance van kwantitatieve aandelenstrategieën verbeteren. Het opsporen van de bedrijven met de grootste kans op financiële problemen in de toekomst is echter allesbehalve eenvoudig. Talloze variabelen kunnen helpen bij het voorspellen van zulke problemen, maar dat doen ze misschien wel het meest effectief op een niet-lineaire manier of in specifieke combinaties. Gelukkig zijn er ML-technieken ontwikkeld om deze uitdagingen het hoofd te bieden.

In onze whitepaper gaan we dieper in op de ML-technieken die gebruikt kunnen worden om een crash van individuele aandelen te voorspellen.