To know is to grow | CFA Society VBA Netherlands

De financieel analist van de toekomst

Terug naar laatste publicaties
in VBA Journaal door
IS NIET ALLEEN EEN AFWEGING OP INDIVIDUEEL NIVEAU MAAR VOORAL OOK EEN VRAAGSTUK OP TEAM- EN AFDELINGSNIVEAU VAN BELEGGINGSINSTELLINGEN

Sinds 2012 is het aantal wetenschappelijke publicaties met betrekking tot ‘big data’ en ‘data analytics’ met meer dan 900%2 toegenomen (Doshi, 2019). Vanzelfsprekend is deze groei direct herleidbaar naar de technologische vooruitgang in de meest recente jaren; data opslag is tegenwoordig zo goed als gratis en computationele problemen worden eenvoudig verholpen door commerciële cloud oplossingen. Maar ook de toenemende vraag naar transparantie vanuit klanten en regelgevers alsmede de dalende vergoedingen voor geleverde diensten binnen de asset management industrie zijn onderliggend aan de snel groeiende interesse in data analytics.

De toekomst van asset management vraagt dus om meer efficiëntie en innovatie. Beleggers zijn van oudsher vindingrijke allrounders en gaan met hun tijd mee. Zodoende veranderen de werkzaamheden van de individuele financiële analist, de samenstelling van het beleggingsteam en de beleggingsafdeling in zijn geheel (Cao, 2019). Hoe kan je hier als bestaand beleggingsteam op inspelen?

In deze beschouwing beschrijven wij onze visie op bottom-up gedreven innovatie en de stappen die KCM onderneemt om onze beleggingsvisie op de lange termijn te waarborgen.

 

DATA-ANALYSE IN HET BELEGGINGSPROCES

De efficiëntieslag die de financiële industrie sinds de jaren na de kredietcrisis doorgemaakt, heeft in het algemeen als gevolg dat het extraheren van nuttige informatie uit grotere of alternatieve datasets zoals bijvoorbeeld google review data, steeds invloedrijker wordt in het beleggingsproces. Denk hierbij niet alleen aan (externe) data die ter ondersteuning van het beleggingsproces wordt gebruikt, maar ook aan data die door het beleggingsproces zelf gegenereerd wordt zoals performance data. Het constant monitoren van gemaakte beslissingen is immers van groot belang voor het continue verbeteren van het beleggingsproces.

Om data-gedreven beslissingen op dagelijkse basis succesvol te integreren in het bestaande proces is een solide data infrastructuur een vereiste (Blumberg, 2017)(Connected Futures, 2018). Een gedegen fundament maakt het mogelijk om nieuwe data gestructureerd op te slaan. Hierbij moet ook worden gekeken naar manieren voor het integreren van alternatieve data voor verbeterde fundamentele analyse. Dat brengt complicaties met zich mee, want dataleveranciers leveren deze data doorgaans aan in een ander format dan dat van de data infrastructuur van de gebruiker. Wanneer het data fundament goed is geïntegreerd in het beleggingsproces wordt het toevoegen van nieuwe data vanzelfsprekend een stuk eenvoudiger (zie kader onderaan de pagina).

BELEGGERS ZIJN VINDINGRIJKE ALLROUNDERS

Het omzetten van data in relevante beleggingsinformatie speelt ook een belangrijke rol bij het automatiseren van standaard beleggingsbeslissingen. Een beleggingsproces is in feite een serie repetitieve beslissingen op basis van een bepaalde beleggingsfilosofie. Men heeft een bepaalde markt-inefficiëntie of mispricing geïdentificeerd op basis waarvan de benchmark op lange termijn verslagen kan worden. Door het uitschrijven van deze beslissingen kunnen ze in logische vergelijkingen vertaald worden. Deze ‘gecodeerde’ beleggingsbeslissingen worden in de data-infrastructuur opgeslagen waardoor bijvoorbeeld de portefeuilleconstructie geautomatiseerd kan worden.

Met opzet gebruiken we hier niet de term ‘kwantitatief beleggingsproces’ want naast het bovengenoemde kwantitatieve gedeelte van de beleggingsproces spelen ook kwalitatieve besluitregels een belangrijke rol. Het beleggingsproces en de kennis van het individuele beleggingsteam in kwestie zijn hierbij leidend.

BOTTOM-UP INNOVATIE IS DE SLEUTEL

Uiteindelijk ontstaat de mogelijkheid de data te gaan visualiseren ter ondersteuning van fundamentele analyse of updates voor klanten. Vanzelfsprekend geeft dit extra inzichten in het beleggingsproces, zoals bijvoorbeeld de toegevoegde waarde van de verschillende onderliggende beleggingsonderdelen. Transparantie en inzicht nemen toe, waar zowel de klant als het beleggingsteam veel baat bij heeft.

 

SAMENSTELLING VAN EEN BELEGGINGSTEAM

KCM is van mening dat bottom-up innovatie de sleutel is voor succesvolle integratie van data-analyse binnen een beleggingsteam. Binnen het beleggingsteam is immers de noodzakelijke kennis van het beleggingsproces en beleggingsfilosofie die nodig is voor innovatie in overvloed aanwezig. Om bottom-up innovatie te faciliteren zal de samenstelling van het beleggingsteam moeten worden afgestemd op deze nieuwe manier van werken.

De samenstelling van een beleggingsteam bij KCM bestaat gemiddeld uit vijf tot zes teamleden. Hierbij houden wij vast aan onze overtuiging dat teamwork binnen kleine slagvaardige en complementaire teams tot de beste resultaten leidt. Binnen het team zijn er de volgende rollen: junior, medior en senior portfolio manager. In een beleggingsteam van zes mensen proberen we te waarborgen dat ten minste één teamlid zich richt op de ontwikkeling en instandhouding van de data-infrastructuur. Deze verantwoordelijkheid hoeft overigens niet bij een enkel teamlid te liggen. Voor het borgen van kennis en onderlinge kwaliteitscontrole is het verstandig om twee mensen voor 50% met deze taak te belasten.

Wanneer de andere teamleden ook structureel met data-analyse bezig zijn stimuleert dit kennisontwikkeling en -overdracht binnen het beleggingsteam. Bovendien creëert het een mind-set om continue op zoek te gaan naar nieuwe datasets en analyses die resulteren in betere beleggingsbeslissingen. Binnen het team is iedereen, op eigen niveau, bezig met het ontwikkelen of toepassen van nieuwe data-analyse technieken. Ware (Ware, 2006) beschrijft deze nieuwsgierigheid als een van de zeven gedragskenmerken voor het leveren van top prestaties.

 

 VAARDIGHEDEN OP INDIVIDUEEL NIVEAU

Afhankelijk van het huidige niveau van data-analyse (descriptive, diagnostic, predictive of prescriptive) binnen een beleggingsteam, is het zaak dat een teamlid een bepaalde mate van technische bagage heeft. Bij KCM zien we dat het toevoegen van een data-savvy analist aan een team met ervaren beleggingsprofessionals kan zorgen voor de technische kennis die nodig is om het team toekomstbestendig te maken. Onze ervaring is dat een analist met kwantitatieve vaardigheden doormiddel van het automatiseren van repetitieve taken al snel een verbetering van het beleggingsproces kan realiseren.

Het is evident dat een automatiseringsslag noodzakelijk is om als asset manager competitief te blijven. Zonder automatisering loopt de kostenkant te veel op terwijl inkomsten onder druk staan. Maar het is niet alleen zijn kennis over automatiseringsmethoden waar de kracht van de financiële analist in de toekomst ligt. De meeste meerwaarde zit in de vaardigheden die nodig zijn om op een creatieve, efficiënte en snelle manier alpha potentieel in alternatieve datasets te kwantificeren. Het is namelijk niet ondenkbaar dat een dataset geen of weinig alpha potentieel bevat of dat het signaal al beschikbaar is via een meer reguliere weg.

Het is daarnaast de taak van de analist om de context van een gegeven dataset in korte tijd te beoordelen. Om de daarbij komende afwegingen goed in kaart te brengen heeft de analist een mix van de vaardigheden nodig: Naast beleggingsinhoudelijke kennis zal de analist ook competent moeten zijn in de toonaangevende programmeertalen, visualisatie-software (Tableau, Power BI) en heeft hij kennis van ontwikkelingen in de belangrijkste data science gebieden (tekstsentiment, patroon herkenning etc).

Het is echter niet per se noodzakelijk dat de analist een pure specialist is op al deze technieken. Op basis van de behoeften van het beleggingsteam wordt bij KCM het type data-analyse, de inzet van alternatieve data of de bouw van specifieke visualisaties afgestemd. Tijdens het ontwikkelen van een prototype of analyse kan de analist samenwerken met een intern team van data scientists dat beschikbaar is voor de gehele groep Van Lanschot Kempen.

 

VERANKERING OP DE BELEGGINGSAFDELING

Een mogelijk nadeel van de hierboven beschreven bottom-up aanpak is dat ieder beleggingsteam specifieke data-kennis en -vaardigheden opbouwt die niet noodzakelijkerwijs gedeeld worden met andere beleggingsteams. Het is van belang dat kennis en ervaringen ook tussen beleggingsteams worden uitgewisseld om vooruitgang te stimuleren.

CONTINUE OP ZOEK NAAR NIEUWE DATASETS

Voor het delen van kennis en ervaring tussen de verschillende beleggingsteams heeft KCM gekozen voor het invoeren van virtuele teams. Binnen deze virtuele teams worden de teamoverstijgende data-projecten gecoördineerd. Ook trainingen en gezamenlijke probleemoplossing staan op de agenda. Ieder beleggingsteam vaardigt individuen af naar de virtuele teams. Hierbij wordt uitgegaan van drie rollen: connectors, leaders en students (Morgan Asaftei, 2018).

  • De connector heeft veelal een meer senior beleggingsprofiel met minder kwantitatieve vaardigheden. Deze rol is bedoeld om te allen tijde de kwaliteit van data-projecten binnen beleggingsprocessen te bewaken. Deze connector voorkomt dat applicaties ontwikkeld worden die vanuit data-perspectief interessant lijken maar geen toepassing in het beleggingsproces hebben.
  • De rol van leader is de persoon met de meest geavanceerde data skill-set. Let wel, dit is nog altijd een beleggingsanalist of portefeuille manager en deze persoon heeft door de tijd heen veel data-vaardigheden opgebouwd of is bijvoorbeeld technisch geschoold en is de beleggingswereld ingegaan. De leader leidt en coördineert de data-projecten en helpt students wanneer zij bijvoorbeeld vastlopen met programmeren.
  • De students binnen de virtuele teams hebben relatief weinig data-vaardigheden maar wel de intrinsieke motivatie om hierin geschoold te worden. Veelal door self-learning middels internet-forums, hulp van leaders en cursussen kunnen deze students in relatief korte tijd enorme stappen maken. Het geeft jonge mensen veel energie om op deze manier te leren. Uiteindelijk groeien students uit tot leaders.

De wekelijkse samenwerking in virtuele teams tussen connectoren, leaders en students leidt tot breed gedragen innovatie en kennisdeling op de beleggingsafdeling. Hierdoor wordt vooruitgang op het gebied van data-analyse op de lange termijn gewaarborgd binnen KCM, nu en in de toekomst.

VIRTUELE TEAMS VOOR TEAMOVERSTIJGENDE DATA-PROJECTEN

Op dagelijkse basis zijn financiële analisten bezig met het inzichtelijk maken van data om bedrijven, sectoren of economieën te beoordelen. Meer en meer tijd zal uitgaan naar innovatieve manieren om de meest geschikte beleggingen te vinden voor klanten. Door effectieve samenwerking binnen en tussen teams kan ervoor gezorgd worden dat elk beleggingsteam klaar is voor de toekomst in zijn vakgebied. Maar zoals altijd is een noodzakelijke voorwaarde voor succes: een altijd aanwezige nieuwgierigheid.

 

Literatuur

  • Doshi, S., J. Kwek, J. Lai, 2019, Advanced analytics in asset management: Beyond the buzz, McKinsey & Company.Our Insights Article, McKinsey & Company, 2019
  • Cao, L., R. Fender, R. Stammers, R. Urwin, 2019, Investment professional of the future, CFA Institute Future of Finance, CFA Institute. 2019
  • Blumberg, S., O. Bossert, H. Grabenhorst and H. Soller, 2017, Why you need a digital data architecture to build a sustainable digital business, McKinsey & Company.Our Insights Article, McKinsey & Company, 2017.
  • Connected Futures, 2018, Analytics for data-driven enterprise, Cisco. Report available on https://connectedfutures.cisco.com/ wp-content/themes/connectedfutures/dist/pdf/advancedanalytics-key-becoming-data-driven-enterprise-report.pdf
  • J. Ware and J. Dethmer, 2006,High Performing Investment Teams: How to Achieve Best Practices of Top Firms, John Wiley & Sons, Hoboken, New Jersey
  • G. Morgan Asaftei, Doshi, S., Means, J., and A. Sangvhi, 2018, Getting ahead of the market how big data is transforming real estate,, McKinsey & Company.Our Insights Article, McKinsey & Company, 2018.

Noten

  1. Geschreven vanuit de optiek van de beleggingsafdeling van Kempen Capital Management (KCM)
  2. Google Scholar zoek resultaten voor karakteriserende eigenschappen: big data’, ‘data analytics’,’Asset management’, per 30/8/2019

 

Download