‘Big data helpt beleggers te checken wat de CEO zegt'

©Getty Images

Ooit bepaalde Mark Ainsworth de beste racestrategie voor F1-team McLaren. Nu gebruikt hij data om fondsbeheerders van Schroders te helpen begrijpen waar een bedrijf naartoe gaat. ‘Het is krachtig om zelf te zien wat de CEO ziet.’

‘Alle data waren er, daar op de schermen in de ‘pit lane’, maar het waren er gewoon te veel om een beslissing te kunnen nemen.’ In zijn nieuwe werkomgeving, een kantoorgebouw in hartje Londen, vertelt Mark Ainsworth over zijn vroegere werkstek: de garagebox van McLaren langs de strook waar F1-wagens een pitstop maken. Het was zijn taak het optimale moment voor een stop voor een bandenwissel te bepalen. Gewapend met de tijden en posities van alle andere wagens bracht Ainsworth met behulp van een algoritme en talloze simulaties de dataoceaan terug tot de kern. En een beslissing.

Sinds vier jaar doet hij in essentie hetzelfde voor de vermogensbeheerder Schroders. ‘Als datawetenschapper gebruik ik data en technologie om de wereld te begrijpen en mensen te helpen bij een beslissing. In plaats van talloze mogelijke racescenario’s tegen elkaar af te wegen, help ik nu fondsbeheerders inzicht te krijgen in de diverse paden die een bedrijf en zijn aandeel kunnen volgen.’

Ainsworth en zijn team van een twintigtal mensen doen daarvoor een beroep op dezelfde ‘explosie van data’ waarin hij voordien ook al inzichten opduikelde voor de Britse supermarktgroep Tesco. ‘In sectoren waar bedrijven rechtstreeks met de consument te maken hebben, bestaat een enorm digitaal spoor van data: via smartphones, kredietkaarten, computers. Voor onze fondsbeheerders en aandelenanalisten focus ik op alle data die ze typisch niet in een Bloomberg-terminal (met financiële informatie, red.) terugvinden. Dat gaat bijvoorbeeld over open data van overheden.’

Welke vragen probeert u voor fondsbeheerders te beantwoorden?
Mark Ainsworth: ‘Voor een belegging in een bedrijf baseer je je op beschikbare info zoals jaarrekeningen of ontmoetingen met het management, maar je blijft met blinde vlekken in je kennis zitten. Die vlekken kan je in theorie invullen met alternatieve data en instrumenten zoals artificiële intelligentie (AI). AI doet wat mensen zouden doen als ze eindeloos veel tijd hebben.’

‘Neem de autosector. Om een beter beeld te krijgen van de reële disruptieve innovaties in die sector hebben wij alle patenten van autofabrikanten van de jongste tien jaar gescand. Die honderdduizenden pagina’s hebben we dan via AI teruggebracht tot enkele tientallen clusters waarrond autobedrijven werken en tegelijk hun relatieve belang bepaald. Zo kan je checken waar CEO’s echt mee bezig zijn in de plaats van te moeten vertrouwen op wat ze zeggen.’

We sturen onze fondsbeheerders een verwittiging als de perceptie van een merk afbrokkelt. Zodra dat nieuws is, weet iedereen het en is het te laat.
Mark Ainsworth
hoofd data-analyse bij Schroders

‘Dat helpt een fondsbeheerder een fundamenteel langetermijnbeeld van een bedrijf te vormen. Zie het als een mozaïek met twintig tegels, waarin wij een extra tegel invullen. Een ander voorbeeld. Een supermarktgroep beloofde bij de aankondiging van haar beursintroductie nog eens 5.000 winkels te openen in de volgende vijf jaar. Onze fondsbeheerder was sceptisch en wilde dat testen. Wij hebben toen data verzameld over de locaties van alle bestaande winkels én die van concurrenten, over het wegennetwerk, over de lokale bevolking en hun koopkracht. Daaruit bleek dat het bedrijf maximaal 2.000 tot 3.000 winkels zou kunnen bijbouwen, wat uiteraard een impact heeft op de bedrijfswaardering.’

‘Eenzelfde analyse gebeurt trouwens in zo’n onderneming zelf. Het is krachtig om dat als belegger te kunnen zien. Je verwerft mijlpalen om regelmatig te testen of een bedrijf op schema zit voor de volgende drie jaar.’

Zijn er blinde vlekken die vaak terugkeren, ongeacht de sector?
Ainsworth: ‘Een van de eerste vragen die ons team kreeg, draaide rond het modebedrijf Burberry, dat gemengde resultaten had aangekondigd. Het management verwees naar negatieve wisselkoerseffecten, maar de fondsbeheerder vroeg zich vooral af of Chinese consumenten zich afkeerden van het merk. En dus bouwden wij een model om de perceptie van merken op te volgen bij verschillende types consumenten. We hebben dat nadien opgeschaald tot een instrument dat alle beleggingsteams bij Schroders nu regelmatig zelf kunnen gebruiken, want consumentenmerken zijn in talloze sectoren belangrijk.’

‘We sturen beheerders en analisten daarnaast wekelijks een verwittiging als er een significante verandering optreedt in een bepaalde merkperceptie. Dat is mogelijk dankzij een AI-algoritme dat tienduizenden merken in diverse landen opvolgt. Misschien heeft een schandaal plots een merk beschadigd. Of verliest een merk geleidelijk zijn aantrekkingskracht, bijvoorbeeld omdat een bepaald ingrediënt veranderd is en niet aanslaat. Zo’n langzame afbrokkeling komt niet in het nieuws en geeft onze beleggingsteams een ‘edge’ of voordeel. Zodra het nieuws is, weet iedereen het en is het te laat.’

Maar als elke professionele belegger steeds meer big data gebruikt, verdwijnt dat voordeel toch snel? Onderliggende trends zullen gewoon sneller in de koers verrekend worden, met een efficiëntere markt als gevolg.
Ainsworth: ‘Toen wij hier vier jaar geleden mee begonnen, was big data enkel een modewoord. Nu is er een hele industrie rond gebouwd, met honderden start-ups die producten aan hedgefondsen verkopen en zakenbanken die allemaal een eigen datawetenschapsteam oprichten.’

‘Maar vaak worden data louter gebruikt om kwartaalresultaten te voorspellen en te traden op korte termijn. Dat is niet wat wij doen. Wij willen de toekomst op langere termijn begrijpen. Veel hedgefondsen daarentegen proberen met data over kredietkaartgegevens, facturen in e-mailboxen of het aantal keren dat een app geopend is in te schatten hoeveel nieuwe abonnees Netflix morgen zal bekendmaken. Als je op basis daarvan denkt dat de resultaten beter of slechter zullen zijn dan verwacht, kan je daags voor de publicatie een positie innemen en de dag erna meteen winst nemen.’

Big data wordt vaak gebruikt om kwartaalresultaten te voorspellen. Wij willen de toekomst op langere termijn begrijpen.
Mark Ainsworth
hoofd data-analyse bij Schroders

‘Ik vermoed dat in de toekomst alle publiek zichtbare signalen over hoe een bedrijf presteert - denk ook aan de intussen klassieke satellietbeelden van de parkings van supermarkten - daags nadien al in de aandelenkoers verrekend zullen zijn. Het is alsof je over de schouder van de CEO meekijkt naar de cijfers. De aandelenmarkt zal dus efficiënter worden, al blijft er altijd veel ruimte voor koersschommelingen en inefficiëntie. Zo kunnen kredietkaartgegevens en satellietbeelden elkaar tegenspreken. Niemand heeft alle antwoorden. Bovendien is de veronderstelling dat de toekomst zomaar een extrapolatie van het verleden is een vorm van lui denken.’

Hoe gaan jullie om met het gevaar om valse patronen in data te ‘ontdekken’?
Ainsworth: ‘Dat is een acuut gevaar als je ‘machine learning’-modellen loslaat op aandelenkoersen. Op data van koersen zit typisch veel ruis. Als je in zulke data patronen zoekt, krijg je ook ruis als resultaat. Je moet de ruis eruit filteren, maar dat is notoir moeilijk met aandelenkoersen. Wij proberen dat niet. Wij focussen op de reële wereld in de plaats van de beurswereld. Onze validatie is of die supermarktgroep er inderdaad in geslaagd is 5.000 winkels te openen, niet of de koers naar boven of naar beneden is gegaan. Aan het voorspellen van dat laatste hebben al veel hedgefondsen hun broek gescheurd.’

Hebben jullie al gemeten hoeveel extra rendement jullie werk oplevert?
Ainsworth: ‘Dat hebben we nog niet geprobeerd, maar zo werkt het ook niet. Wij meten onze nuttigheid af aan de betrokkenheid van de beleggingsteams. Als drukbezette fondsbeheerders en analisten tijd vrijmaken om met ons te overleggen over hun noden, dan weten we dat ze iets waardevols ontbreken dat wij mogelijk kunnen invullen. Dat is een win-win. Als wij beweren dat 20 procent van het extra rendement aan ons te danken is, zouden zij dat ervaren alsof we dat van hen afnemen.’

‘Momenteel experimenteren we trouwens met het ‘nudgen’ (subtiel bijsturen, red.) van onze fondsbeheerders. Om bijvoorbeeld te vermijden dat ze te vroeg een aandeel verkopen en zo winst laten liggen, sturen we een ‘wat als’-simulatie met de extra winst die ze hadden kunnen realiseren. Of we wijzen hen op patronen in hun handelen. Maar altijd op een constructieve manier.’

Lees verder

Advertentie
Advertentie

Gesponsorde inhoud