Artikel ini berasal dari buku putih “Ensemble Active Management – Transformasi AI dari Manajemen Aktif” dan “Studi Validasi Metodologi, Desain, dan Integritas Data dari Ensemble Active Management 2024 dari Turing Technology”.
Sejumlah penelitian telah mengevaluasi kemampuan manajer ekuitas AS yang aktif untuk mengungguli dana indeks dan dana yang diperdagangkan di bursa (ETF). Meskipun jangka waktu bervariasi, hasilnya cenderung menyatu pada hasil yang sama: Manajer aktif mengungguli tolok ukur standar kurang dari separuh waktu. Selain itu, investasi aktif juga secara struktural lebih mahal dibandingkan investasi pasif.
Investor tidak ingin membayar lebih untuk pengembalian yang setara dan memilih dengan dompet mereka. Pada akhir tahun 2023, dana ekuitas AS yang dikelola secara aktif telah mengalami arus keluar bersih selama 18 tahun berturut-turut dengan total lebih dari $2,5 triliun, menurut Morningstar Direct.
Lompatan yang diperlukan bagi pemain aktif untuk sekali lagi mengungguli pemain pasif tidak dapat dicapai melalui peningkatan bertahap. Kesenjangannya terlalu besar. Agar manajemen aktif dapat memperoleh alpha yang cukup untuk mencapai perbaikan bertahap, diperlukan perubahan paradigma yang didorong oleh teknologi dan metode baru.
Di sinilah Ensemble Active Management (EAM) berperan. EAM dibangun berdasarkan teknologi baru yang penting dan menggunakan pendekatan pemilihan saham yang mencerminkan praktik terbaik industri lain dalam melakukan pengambilan keputusan yang kompleks. Pendekatan ini beralih dari pendekatan manajer tunggal ke pendekatan multi-manajer. Singkatnya, EAM mewakili perubahan paradigma yang diperlukan untuk merevitalisasi pengelolaan aktif.
EAM bukanlah konsep akademis. Ini pertama kali diperkenalkan pada tahun 2018 dan portofolio EAM diluncurkan pada akhir tahun itu. Kini terdapat puluhan rekam jejak EAM yang berusia antara dua hingga lima tahun.
Makalah ini memaparkan mekanisme konstruksi EAM dan menyajikan tiga pilar validasi penting yang mendukung hasil EAM hingga saat ini dan menjelaskan potensi masa depan.
Data menunjukkan bahwa pada akhir tahun 2023, portofolio EAM live mewakili jajaran portofolio ekuitas AS yang dikelola secara aktif dan terkuat di negara ini.
Ensemble Manajemen Aktif Ditetapkan
EAM harus memanfaatkan tambahan alfa yang substansial untuk mengungguli manajemen aktif dan pasif tradisional. Untuk mencapai hal tersebut, kami menerapkan matematika Metode Ensemble yang telah terbukti pada manajemen portofolio.
Metode Ensemble menampilkan sistem multi-pakar yang meningkatkan akurasi algoritma atau mesin prediktif satu-pakar. Hal ini dicapai dengan mengintegrasikan beberapa model prediksi secara matematis berdasarkan kesepakatan konsensus. Hasil akhirnya adalah mesin prediksi yang lebih kuat. Metode Ensemble dengan demikian merupakan versi kecerdasan buatan (AI) dari “kebijaksanaan para ahli.”
Untuk lebih jelasnya, EAM tidak menggunakan Metode Ensemble untuk merancang manajer portofolio yang “lebih cerdas”. Faktanya, prinsip utama Metode Ensemble adalah penggunaan beberapa mesin prediktif. Sebaliknya, EAM menghasilkan seleksi keamanan aktif dengan mengintegrasikan platform manajer multi-investasi melalui Metode Ensemble.
Reksa dana yang dikelola secara aktif bekerja dalam lingkungan Metode Ensemble karena mereka secara efektif beroperasi sebagai mesin prediktif dimana para manajer mencoba “memprediksi” saham mana yang akan berkinerja lebih baik. Lebih jauh, penelitian substansial menunjukkan bahwa para manajer keyakinan tertinggi pemilihan saham bisa dilakukan andal mengungguli.
Terobosan EAM datang dari penemuan cara mengekstraksi “mesin prediktif dinamis” dana dari kepemilikan dan bobot dana secara real-time. Turing Technology mengakses data ini melalui teknologi replikasi dana berbasis pembelajaran mesin, Hercules.ai. Diluncurkan pada tahun 2016, Hercules.ai menyediakan replikasi dana yang dikelola secara aktif secara real-time. Ini menampung data yang mewakili lebih dari $4 triliun aset dan mencapai korelasi 99,4% antara pengembalian dana yang direplikasi dan pengembalian dana sebenarnya.
Untuk membangun portofolio EAM, dipilih 10 hingga 12 reksa dana berkualitas dari kategori investasi serupa. Turing mengekstrak mesin prediktif setiap dana dengan mengakses kepemilikan dan bobotnya secara real-time, lalu memetakan data tersebut terhadap bobot tolok ukur. Posisi kelebihan dan kekurangan relatif mencerminkan mesin prediksi dana tersebut.
Turing kemudian menerapkan mesin prediktif yang diekstraksi ini ke dalam “mesin” matematika Metode Ensemble untuk menghasilkan portofolio EAM. Hasil akhirnya adalah portofolio hingga 50 saham, tanpa derivatif, tanpa leverage, dan semua kepemilikan terwakili dalam benchmark. Oleh karena itu, EAM merupakan “pilihan teratas berdasarkan konsensus dari selusin manajer kualitas”.
Pemahaman Lebih Lanjut tentang Metode Ensemble
Bagian dari pembelajaran mesin yang dikenal sebagai Metode Ensemble adalah kunci untuk menciptakan sumber alfa baru. Metode Ensemble merupakan bagian integral dari hampir setiap tantangan komputasi besar di dunia, dan Giovanni Seni dan John F. Elder menggambarkannya sebagai “perkembangan paling berpengaruh dalam Data Mining dan Machine Learning dalam dekade terakhir.” Ada lebih dari 250.000 aplikasi Metode Ensemble yang dipublikasikan, termasuk pengenalan wajah, deteksi autisme dini, deteksi tumor berbasis MRI, deteksi ancaman dunia maya, dan masih banyak lagi.
Penelitian Berskala: Buku Putih EAM 2024
Data berikut ini dikutip dari “Ensemble Active Management – AI’s Transformation of Active Management,” studi terbesar yang pernah dilakukan untuk mengukur potensi kinerja EAM.
- 60.000 portofolio yang dibangun secara acak yang masing-masing terdiri dari 12 dana dibangun.
- 60.000 portofolio EAM dibangun berdasarkan kumpulan 12 dana dasar.
- Hasilnya dievaluasi selama tahun 2016 hingga 2022.
- 333 dana dasar digunakan dari lebih dari 140 perusahaan dana yang mewakili lebih dari $3 triliun di AUM. Dana ini mencakup lebih dari 60% aset dunia ekuitas AS yang aktif.
- Studi ini mencakup kotak gaya Nilai Besar, Campuran Besar, Pertumbuhan Besar, Nilai Kecil, Campuran Kecil, dan Pertumbuhan Kecil, atau 10.000 portofolio EAM per kotak gaya.
Untuk menempatkan skala upaya penelitian ini dalam perspektif, 420.000 pengembalian kinerja tahun kalender terpisah telah dihasilkan (masing-masing tujuh tahun, dari 60.000 portofolio). Jumlah ini 20 kali lebih besar dibandingkan jumlah imbal hasil tahun kalender yang dihasilkan oleh seluruh industri ekuitas AS yang aktif selama 25 tahun terakhir.
Hasilnya signifikan secara statistik, dan telah ditinjau secara akademis independen, untuk memverifikasi metodologi dan hasil penelitian.
Perbandingan Kinerja vs. Tolok Ukur Standar
Studi ini membandingkan kinerja 60.000 portofolio EAM versus tolok ukur yang sesuai (Indeks Russell), berdasarkan periode bergulir satu, tiga, dan lima tahun, serta jangka waktu tujuh tahun penuh. Hasilnya, yang diperoleh dari lebih dari 560 juta titik data disajikan pada grafik di bawah ini.
Dua metrik utama adalah Tingkat Keberhasilan dan rata-rata keuntungan berlebih tahunan. Yang pertama mengukur persentase periode waktu bergulir dimana portofolio EAM mengungguli benchmark, dengan rata-rata kelebihan pengembalian tahunan mencerminkan rata-rata pengembalian relatif seluruh periode bergulir.
Tingkat Keberhasilan EAM vs. Tolok Ukur, Rata-rata Semua Style Box
Aspek penting dari Tingkat Keberhasilan adalah bahwa EAM mengungguli keenam kotak gaya yang dievaluasi:
Tingkat Keberhasilan EAM vs. Tolok Ukur berdasarkan Style Box
Review dan Validasi Independen
David Goldsman, Profesor Coca-Cola Foundation dan direktur program master di Sekolah Teknik Industri dan Sistem Institut Teknologi Georgia, melakukan tinjauan independen untuk memvalidasi penelitian kami. Tim akademisnya memiliki akses penuh terhadap metodologi penelitian, menyatakan bias, data masukan dan keluaran, dan bahkan kode. Peninjauan mereka memakan waktu beberapa bulan untuk diselesaikan.
Kutipan Kunci
“Kami menemukan bahwa metodologi yang mendasarinya bagus. Protokol pengambilan sampel/keacakan standar diikuti, protokol keacakan yang sesuai untuk POF yang mendasarinya [proof of funds] konstruksi dilakukan dengan benar, analisis EAM dan metodologi konstruksi dilakukan dengan benar, dan kinerja EAM dan POF telah diinterpretasikan dengan baik oleh Turing, termasuk analisis bias dan mitigasi.”
“Di semua jenis dana portofolio, portofolio EAM memiliki manfaat kinerja yang diharapkan secara keseluruhan sebesar 400 hingga 500 bps jika dibandingkan dengan portofolio serupa. [. . .] tolok ukur.”
“Kesimpulan ringkasan kami adalah bahwa kinerja EAM dan POF telah diinterpretasikan dengan benar oleh Turing, termasuk analisis bias dan mitigasi. Klaim Turing bahwa kinerja EAM secara komparatif lebih baik daripada manajemen aktif tradisional dan tolok ukur standar industri juga terbukti.”
Penggunaan dan Dampak Biaya
Studi ini mengukur tolok ukur yang dilaporkan secara publik, tanpa biaya atau biaya transaksi, dan menghitung kinerja Portofolio EAM dengan cara yang sama seperti indeks.
Sebagai acuan, dilakukan perhitungan simulasi pada kategori Large Blend dimana return Portofolio EAM dikurangi dengan biaya maksimum yang dikenakan Turing (25 basis point (bps)). Tingkat keberhasilan EAM vs. Portofolio Dana yang mendasarinya adalah 71,5% tanpa biaya tambahan dan turun sedikit menjadi 69,7% dengan memperhitungkan biaya maksimum.
Pengembalian Langsung Portofolio EAM
Beberapa lusin portofolio EAM telah dibangun oleh klien Turing dan tersedia secara komersial untuk digunakan oleh investor luar. Semua rekam jejak kinerja dapat diverifikasi secara independen.
Pendekatan yang berguna untuk mengevaluasi strategi EAM adalah dengan menetapkan portofolio “pemimpin” untuk masing-masing dari sembilan kotak gaya ekuitas standar AS. Hasil yang ditentukan oleh rata-rata kelebihan keuntungan tahunan sejak tanggal dimulainya setiap strategi hingga akhir tahun 2023 dibandingkan dengan tolok ukur terkait, dalam persentase berwarna hijau, disajikan di bawah ini.
Kinerja Portofolio EAM Relatif terhadap Tolok Ukur
Dua kesimpulan utama muncul:
- Kesembilan portofolio utama EAM memiliki kinerja yang lebih baik dari tolok ukurnya. Usia rata-rata strategi EAM adalah tiga tahun.
- Rata-rata kelebihan pengembalian tahunan sama dengan 516 bps.
Untuk memasukkan hasil ini ke dalam konteks, kami mengevaluasi semua kelompok dana yang dikelola secara aktif di industri, dengan fokus pada reksa dana yang termasuk dalam kotak gaya ekuitas standar AS. Sembilan dana “utama” diidentifikasi untuk setiap kelompok dana, yang mencerminkan dana dengan kinerja terbaik untuk setiap style box berdasarkan kinerja relatif tiga dan lima tahun dibandingkan dengan tolok ukur yang sesuai.
Tidak ada kelompok dana lain yang sembilan dari sembilan dana “utama” mengungguli benchmark dan rata-rata kelebihan pengembalian tahunan melebihi 500 bps.
Oleh karena itu, hanya dalam beberapa tahun saja, portofolio EAM, yang didukung oleh Metode Ensemble dan platform multi-manajer, telah muncul sebagai jajaran dana ekuitas AS yang dikelola secara aktif dan terkuat di negara tersebut.
Kesimpulan
Arus keluar bersih selama delapan belas tahun berturut-turut menunjukkan bahwa manajemen aktif telah lama berada di sisi yang salah dalam sejarah karena kinerjanya yang sangat buruk. Namun status quo tetap menjadi penentu kondisi industri ini. Orang-orang yang skeptis menentang gagasan baru yang “lain”, namun skeptisisme tidak perlu mengabaikan fakta-fakta yang dapat dibuktikan. Desain investasi EAM dan penerapannya yang memungkinkan teknologi canggih dan data kinerja keras harus menjadikan EAM sebagai pedoman bagi manajemen aktif.
Taruhannya besar bagi industri ini. Mengingat arus negatif jangka panjang dan melemahnya valuasi perusahaan, pepatah “beradaptasi atau mati” seharusnya menjadi seruan industri ini. AI memberikan bantuan, dan manajemen yang aktif sebaiknya menerima bantuan tersebut.
Jika Anda menyukai postingan ini, jangan lupa berlangganan Investor yang giat dan itu Pusat Penelitian dan Kebijakan CFA Institute.
Semua postingan adalah opini penulis. Oleh karena itu, pendapat tersebut tidak boleh ditafsirkan sebagai nasihat investasi, dan pendapat yang dikemukakan juga tidak mencerminkan pandangan CFA Institute atau perusahaan tempat penulis menulis.
Kredit gambar: ©Getty Images / Olemedia
Pembelajaran Profesional untuk Anggota CFA Institute
Anggota CFA Institute diberi wewenang untuk menentukan sendiri dan melaporkan sendiri kredit pembelajaran profesional (PL) yang diperoleh, termasuk konten tentang Investor yang giat. Anggota dapat mencatat kredit dengan mudah menggunakan mereka pelacak PL online.