Technologische ontwikkelingen openen nieuwe horizonten voor kwantitatief beleggen. Hoe en wanneer zijn wij begonnen met het integreren van alternatieve signalen in onze strategieën? En in welke mate is de nieuwe generatie quantoplossingen al geïmplementeerd in onze strategieën?
“In onze belangrijkste modellen zijn bekende factoren opgenomen, zoals value, momentum en quality, die wij beschouwen als rendementsfactoren, en low risk, voor onze Conservative-strategie. Op basis van aanhoudend onderzoek naar manieren waarop we deze factoren kunnen verbeteren, zijn we in 2009 begonnen met het integreren van alternatieve signalen, door onze timing-indicator toe te passen in onze Enhanced Index-strategieën. Deze indicator, gebaseerd op sneller bewegende en innovatieve signalen, helpt ons om te bepalen wat het beste moment is om aandelen te kopen en te verkopen, nadat ons belangrijkste model al aantrekkelijke aandelen heeft geïdentificeerd.”
“Aanvankelijk hadden we een weging van 10% toegekend aan dit timing-signaal en geleidelijk hebben we onze strategie uitgebreid met extra componenten. Deze elementen bieden een aanzienlijk potentieel en spreidingsvoordelen. Zo kan onze timing-indicator, die een lage correlatie heeft met traditionele factoren, dalingen beperken en het risico-rendementsprofiel verbeteren. Maar door de snelle bewegingen van deze signalen kunnen ze ook leiden tot een hoge omzet en hoge transactiekosten als we er een te hoge weging aan toekennen.”
“Om het nettorendement te optimaliseren hebben we gewerkt aan het verfijnen van de timing-indicator en het minimaliseren van de transactiekosten. Daardoor konden we de weging van de indicator in 2017 vergroten naar 20%, en op dit moment is de weging al 25%. Eind vorig jaar hebben we Quantum gelanceerd, onze opzichzelfstaande next-gen strategie die is gebaseerd op onderzoek en een model dat stamt uit 2009.”
“Wat zeer nieuwe signalen betreft, is een recente ontwikkeling het gebruik van machine learning. In eerste instantie was dit om risico te voorspellen, met name distressrisico, wat neerkomt op het identificeren van de aandelen die waarschijnlijk gaan dalen. Nu doet machine learning dat ontzettend efficiënt, vooral als je een diverse reeks risicogerelateerde variabelen als input gebruikt.”
“Je kunt machine learning ook gebruiken om te profiteren van interactie-effecten, wat zeer interessant is. Neem bijvoorbeeld het omslageffect op korte termijn, waarbij aandelen die de afgelopen weken zijn gedaald daarna vaak weer herstel laten zien. Machine learning helpt ons om deze strategieën te verfijnen door rekening te houden met extra dimensies, zoals de liquiditeit van deze aandelen.”
“Rond 2019 zijn we begonnen met het gebruik van een signaal op basis van natuurlijke taalverwerking (NLP), om nieuwssentiment te vertalen naar scores. Dit signaal kan beoordelen of het sentiment van nieuwsberichten positief of negatief is. We breiden het gebruik van NLP nu uit om transcripten van calls over winstcijfers en zelfs audiobestanden van deze calls te analyseren, om niet alleen de woorden te analyseren, maar ook de toon en de intonatie.”
Hoe verbeteren jullie de signalen in de strategieën om het risico te beperken?
“Neem bijvoorbeeld herzieningen van analisten, waarbij analisten hun winstverwachtingen naar boven of beneden bijstellen. Maar analisten hebben zo hun biases, en doorgaans gaat hun voorkeur uit naar largecap-groeiaandelen. Wij proberen deze voorkeur te neutraliseren, waarmee we in het verleden ons risico hebben verlaagd en onze rendementseigenschappen hebben verbeterd.”
“We verkennen dit soort dingen in ons wetenschappelijke onderzoek. Goede voorbeelden hiervan zijn onze paper over residual momentum en onze paper over waarde en distressrisico. In die laatste laten we zien hoe je de waardepremie benut en hoe je distressrisico verwijdert uit de strategie. Wij gebruiken signalen voor distressrisico in onze actieve laagrisicostrategie Conservative Equities, wat ons helpt om bedrijven te kopen met een laag risicoprofiel. En we gebruiken deze signalen ook in onze rendementsstrategieën om aandelen met het hoogste faillissementsrisico te vermijden.”
Hoe zorgen jullie ervoor dat nieuwe signalen op basis van deze datasets robuust zijn?
“We hebben een overvloed aan datasets tot onze beschikking die ongelooflijk divers zijn, maar daarvan vallen er ook veel af. We gaan namelijk kieskeurig te werk bij het selecteren van datasets: ze moeten geloofwaardig zijn en waarde toevoegen aan onze strategieën. Daarnaast gaan we ook op zoek naar nieuwe soorten datasets, die uiteen kunnen lopen van patentgegevens tot data van financiële blogs.”
“Het klopt dat veel nieuwe signalen nog niet zo’n lange geschiedenis hebben, maar die is vaak wel lang genoeg voor wat we nodig hebben. Toen we bijvoorbeeld in 2006 begonnen met het onderzoeken van opkomende markten, waren de gegevens niet zo uitgebreid of van de hoge kwaliteit als die we hadden voor ontwikkelde markten. Maar het was goed genoeg om een begin te maken met ons onderzoek, en naarmate we er dieper in doken, leerden we meer en konden we de kwaliteit van de gegevens verbeteren.”
“Om er zeker van te zijn dat de nieuwe signalen echt robuust zijn, halen we onze inspiratie meestal uit wetenschappelijke literatuur, vooral gericht op de Verenigde Staten (VS). Vervolgens nemen we deze signalen onder de loep in andere regio's. Als we bijvoorbeeld minder data uit opkomende markten hebben, dan kan Europa ons een sterke out-of-sample test bieden. We kijken ook hoe deze signalen presteren onder verschillende marktomstandigheden. Voor een bepaalde periode – ook al is die kort – analyseren we hoe het signaal zich heeft gedragen tijdens verschillende marktfasen, zoals een bullmarkt, een bearmarkt of tijden van hoge volatiliteit. Het is essentieel om goed te begrijpen hoe deze signalen reageren in verschillende scenario's.”
“Een ander boeiend aspect is de spanning alpha test. Daarbij onderzoeken we of de nieuwe datasets iets te bieden hebben dat verder gaat dan wat we al hebben. We willen namelijk niet het wiel opnieuw uitvinden. Soms is een nieuwe variabele gewoon een herhaling van bestaande informatie, maar dan in een hippere verpakking. In dat geval besluiten we waarschijnlijk om er niet mee door te gaan. Maar soms ontdekken we dat een nieuwe variabele uniek en waardevol is. Dat is een zware test om te doorstaan, want onze bestaande modellen zijn behoorlijk solide.”
Wat zijn enkele nieuwe signalen in next-gen quantoplossingen die verband houden met duurzaamheid?
“Twee signalen die we sinds kort gebruiken, zijn de betrokkenheid van werknemers en efficiënt gebruik van hulpbronnen als duurzaamheidsfactoren. De betrokkenheid van werknemers is echt een interessante factor. Werknemers kunnen hun bedrijf beoordelen op platforms als Glassdoor, waarbij ze hun tevredenheid of ontevredenheid uiten. Bedrijven met een hogere waardering hebben doorgaans werknemers in dienst die hun werkzaamheden gemotiveerd en efficiënt uitvoeren. We hebben ontdekt dat gelukkige werknemers correleren met een hogere omzet ten opzichte van de arbeidskosten. En interessant genoeg hebben deze bedrijven vaak ook een beter toekomstig aandelenrendement. Dit is een alphasignaal dat verband houdt met het ‘maatschappelijke’ deel van ESG: via de tevredenheid van medewerkers.”
“Efficiënt gebruik van hulpbronnen is dan weer meer gericht op het milieuaspect binnen ESG. Stel je luchtvaartmaatschappijen voor met zeer zuinige vliegtuigen. Het moge duidelijk zijn dat die lagere kosten hebben en minder hulpbronnen gebruiken, wat ze een concurrentievoordeel oplevert. Ons idee was dat dit waarschijnlijk ook geldt voor andere sectoren die veel grondstoffen gebruiken, zoals de energiesector, nutsbedrijven, de autosector en industriële sectoren. Een manier om dit te meten is door de hoeveelheid CO2-uitstoot (als indicatie voor gebruikte hulpbronnen) af te zetten tegen de omzet van een bedrijf. Tijdens de analyse ontdekten we dat bedrijven die efficiënt omgaan met hulpbronnen (met een lage uitstoot ten opzichte van de omzet) inderdaad een hoger toekomstig aandelenrendement hebben. En hun CO2-uitstoot is lager, dus dat levert ook duurzaamheidswinst op.”
Blijf op de hoogte van kwantitatieve inzichten
Receive our Robeco newsletter and be the first one to get the latest insights.
Hoe groot is de uitdaging om klanten te overtuigen mee te gaan in deze ontwikkeling van kwantitatief beleggen?
“We betrekken onze klanten actief bij ons proces en onze methodologieën, zodat ze ook een bijdrage leveren aan onze kernmodellen. Daarnaast delen we ons onderzoek en onze vooruitgang uitvoerig met ze. Ook zijn we transparant over ons proces en de elementen die we in overweging nemen, zodat ze deel uitmaken van de ontwikkeling.”
Wordt het moeilijker om voorop te blijven lopen door al deze ontwikkelingen?
“We denken dat onze lange staat van dienst ons hier een voorsprong kan geven. We hebben namelijk veel ervaring in het uitvoeren van grondig onderzoek en streven naar een optimale balans tussen bewezen factoren en innovatieve datasets, waarbij we traditionele gegevens combineren met signalen die in opkomst zijn.”
“We kijken ook zorgvuldig naar de omzet en transactiekosten, die in de wetenschappelijke literatuur vaak onderbelicht blijven of worden gezien als factoren die in beton zijn gegoten. Met langzaam bewegende strategieën is de impact klein, maar vooral met deze nieuwe, sneller bewegende signalen is dat in het beste geval naïef te noemen en in het slechtste geval pure verspilling.”
“Je moet goed nadenken over een slimme herwegingsstrategie, een slimme handelsstrategie. Samen met Weili Zhou, ons hoofd van Quant Equity, hebben we papers geschreven over het implementeren van strategieën die op een slimme manier rekening houden met transactiekosten en die uitgevoerd kunnen worden na aftrek van die transactiekosten.”
En tot slot, hoe hopen we onze positie als innovators in de toekomst te behouden?
“We gebruiken geen nieuwe alternatieve datasets zonder eerst grondig onderzoek te doen, en dat gaan we ook niet doen. En we integreren nieuwe signalen niet om innovatief over te komen, maar omdat we echt geloven dat ze waarde toevoegen. We streven ernaar gediversifieerde alfa te genereren door ons niet alleen op de bekende signalen te richten, maar ook op verschillende nieuwe signalen. Als een bepaalde aanpak zorgt voor meer diversificatie, een hogere alpha of een beter risicoprofiel, dan passen we die graag toe. Maar we zoeken altijd naar de juiste balans en letten heel goed op de transactiekosten, omdat die een cruciaal aspect zijn van onze strategie.”
Een selectie alternatieve signalen
De short-term reversal-component: Hierbij kijken we naar aandelen die op korte termijn een ommekeer in hun performance laten zien.
Liquiditeitskenmerken: We kijken ook naar aandelen waarvan het liquiditeitsprofiel is verbeterd, wat we als een positief signaal beschouwen.
Informatie van de lendingmarkt: We gebruiken informatie van de short-lendingmarkt, waarbij we een hoge mate van shorting op een aandeel zien als een negatief signaal.
Data van webscripts (vacatures): We houden het aantal vacatures bij bedrijven in de gaten en zien een toename als een verwachting voor toekomstige groei.
Duurzaamheidsinformatie: Sinds 2010 gebruiken we duurzaamheidsinformatie als onderdeel van ons Quality-thema.
Informatie van de creditmarkt: We gebruiken de performance van de obligaties van een bedrijf om toekomstig aandelenrendement te voorspellen, en omgekeerd.
Nieuwssentiment: We analyseren het soort nieuws dat over een bedrijf naar buiten komt en zien positiever nieuws als een goed signaal voor toekomstig aandelenrendement.
Machine learning-technieken om distressrisico te voorspellen: We passen technieken op het gebied van machine learning toe om het risico te voorspellen dat een bedrijf failliet gaat.
De specifieke kenmerken van elk signaal en de manier waarop ze worden gebruikt verschillen, maar ze hebben wel allemaal hetzelfde doel: het risico-rendementsprofiel van de portefeuille verbeteren.