How AI-powered funds perform across business cycles
Lindgren, Patrik (2025-05-14)
How AI-powered funds perform across business cycles
(14.05.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025051646227
https://urn.fi/URN:NBN:fi-fe2025051646227
Tiivistelmä
AI-powered public mutual funds have become more common with recent progress of AI technology. The increased use of AI in investing may change the role of humans in fund management in the future. Therefore, the purpose of my thesis is to investigate how public AI-powered mutual funds performed in different business cycles compared to human-managed funds between the years 2016 and 2024. Previous research on the topic has shown that AI-powered funds have raised significant amount of capital and grown in number. However, previous research has not measured AI-powered funds’ performance in volatile economic conditions. I am expanding on previous research by including the crisis caused by the Covid-19 pandemic and the war in Ukraine in my empirical part.
In the empirical part of my thesis, I use Ordinary Least Squares (OLS) regression analysis and Markov Switching Model (MSM). The MSM divides my data series into bull markets and bear markets. Using the OLS method, I measure Jensen alpha and Sharpe ratio in my data. I use those metrics to evaluate the performance of the funds. My dataset consists of 24 AI-powered funds and 25 human-managed benchmark funds. The funds mostly operate in the US market.
The results of my study show that AI-powered public funds did not outperform the market between 2016 and 2024. The statistically significant negative Jensen alpha confirms the results of previous studies that an AI investing strategy does not consistently exceed market performance.
I have analyzed the factors affecting the performance of AI at the level of economic cycles. Both in bull and bear markets without crises, human-managed funds outperformed AI-powered funds. According to previous research, this result could be due to the fixed rules associated with AI technology. This means that AI may not adapt as flexibly to market changes as humans do. In times of crisis, the performance of AI-powered funds improved. The result is different from previous studies. Evidence from previous studies has justified the good performance of AI by the ability to select better stocks, lower trading costs and less behavioral biases of investors. Based on these results, I believe the role of humans will remain important in fund management. Nevertheless, the mechanical assistance provided by AI will enhance decision-making in the investing process. Tekoälyn hallinnoimat julkiset sijoitusrahastot ovat yleistyneet tekoälyn viimeaikaisen kehityksen myötä. Tekoälyteknologian lisääntynyt käyttö sijoitustoiminnassa voi muuttaa tulevaisuudessa ihmisen roolia rahastonhoidossa. Tutkielmani tarkoituksena onkin selvittää, miten julkiset tekoälyn hallinnoimat rahastot suoriutuivat eri suhdannevaiheissa verrattuna ihmisten hallinnoimiin rahastoihin vuosina 2016–2024. Aiheen aikaisemman tutkimuksen mukaan tekoälyn hallinnoimat rahastot ovat keränneet merkittävästi pääomaa ja niiden määrä on kasvanut. Aikaisemmasta tutkimuksesta kuitenkin puuttuu rahastojen suorituskyvyn mittaaminen epävakaissa talousolosuhteissa. Täydennän aikaisempaa tutkimusta ottamalla empiirisessä osuudessani huomioon kriisit, jotka ovat Covid-19 pandemian ja Ukrainan sodan aiheuttamia.
Tutkielmani empiirisessä osuudessa käytän Ordinary Least Squares (OLS) -regressioanalyysiä ja Markov Switching Mallia (MSM). MSM jakaa aineistoni aikasarjan nousukauteen ja laskukauteen. OLS menetelmällä mittaan aineistostani Jensenin alfan ja Sharpen luvun. Näiden tunnuslukujen avulla arvioin rahastojen suorituskykyä. Aineistoni koostuu 24 tekoälyn hallinnoimasta rahastosta ja 25 ihmisten hallinnoimasta rahastosta, jotka toimivat pääosin Yhdysvaltojen markkinoilla.
Tutkimukseni tulokset osoittavat, että tekoälyn hallinnoimat julkiset rahastot eivät saavuttaneet ylituottoja suhteessa markkinaan vuosina 2016–2024. Tilastollisesti merkitsevä negatiivinen Jensenin alfa vahvistaa aikaisempien tutkimusten tuloksia siitä, ettei tekoälyteknologiaa hyödyntävä sijoitusstrategia johdonmukaisesti yllä markkinoiden suorituskykyyn.
Olen eritellyt tekoälyn suorituskykyyn vaikuttavat tekijät taloussyklien tasolle. Ilman kriisejä sekä nousu- että laskumarkkinoilla ihmisten hallinnoimat rahastot suoriutuivat paremmin kuin tekoälyn hallinnoimat rahastot. Tulos on aikaisemman tutkimuksen mukaan seurausta tekoälyn toimintaan liittyvistä kiinteistä säännöistä. Niiden takia tekoäly ei välttämättä sopeudu yhtä joustavasti markkinamuutoksiin kuin ihminen. Kriisiaikoina tekoälyrahastojen suorituskyky parani. Tulos poikkeaa aikaisemmista tutkimuksista. Aikaisemmissa tutkimuksissa tekoälyn hyvää suorituskykyä on perusteltu kyvyllä valita parempia osakkeita, pienemmillä kaupankäyntikustannuksilla sekä vähäisemmillä sijoittajien käyttäytymiseen liittyvillä vinoumilla. Näiden tulosten perusteella uskon ihmisen roolin säilyvän tärkeänä rahastonhoidossa. Silti tekoälyn tarjoama mekaaninen apu voi tehostaa sijoitusprosessia.
In the empirical part of my thesis, I use Ordinary Least Squares (OLS) regression analysis and Markov Switching Model (MSM). The MSM divides my data series into bull markets and bear markets. Using the OLS method, I measure Jensen alpha and Sharpe ratio in my data. I use those metrics to evaluate the performance of the funds. My dataset consists of 24 AI-powered funds and 25 human-managed benchmark funds. The funds mostly operate in the US market.
The results of my study show that AI-powered public funds did not outperform the market between 2016 and 2024. The statistically significant negative Jensen alpha confirms the results of previous studies that an AI investing strategy does not consistently exceed market performance.
I have analyzed the factors affecting the performance of AI at the level of economic cycles. Both in bull and bear markets without crises, human-managed funds outperformed AI-powered funds. According to previous research, this result could be due to the fixed rules associated with AI technology. This means that AI may not adapt as flexibly to market changes as humans do. In times of crisis, the performance of AI-powered funds improved. The result is different from previous studies. Evidence from previous studies has justified the good performance of AI by the ability to select better stocks, lower trading costs and less behavioral biases of investors. Based on these results, I believe the role of humans will remain important in fund management. Nevertheless, the mechanical assistance provided by AI will enhance decision-making in the investing process.
Tutkielmani empiirisessä osuudessa käytän Ordinary Least Squares (OLS) -regressioanalyysiä ja Markov Switching Mallia (MSM). MSM jakaa aineistoni aikasarjan nousukauteen ja laskukauteen. OLS menetelmällä mittaan aineistostani Jensenin alfan ja Sharpen luvun. Näiden tunnuslukujen avulla arvioin rahastojen suorituskykyä. Aineistoni koostuu 24 tekoälyn hallinnoimasta rahastosta ja 25 ihmisten hallinnoimasta rahastosta, jotka toimivat pääosin Yhdysvaltojen markkinoilla.
Tutkimukseni tulokset osoittavat, että tekoälyn hallinnoimat julkiset rahastot eivät saavuttaneet ylituottoja suhteessa markkinaan vuosina 2016–2024. Tilastollisesti merkitsevä negatiivinen Jensenin alfa vahvistaa aikaisempien tutkimusten tuloksia siitä, ettei tekoälyteknologiaa hyödyntävä sijoitusstrategia johdonmukaisesti yllä markkinoiden suorituskykyyn.
Olen eritellyt tekoälyn suorituskykyyn vaikuttavat tekijät taloussyklien tasolle. Ilman kriisejä sekä nousu- että laskumarkkinoilla ihmisten hallinnoimat rahastot suoriutuivat paremmin kuin tekoälyn hallinnoimat rahastot. Tulos on aikaisemman tutkimuksen mukaan seurausta tekoälyn toimintaan liittyvistä kiinteistä säännöistä. Niiden takia tekoäly ei välttämättä sopeudu yhtä joustavasti markkinamuutoksiin kuin ihminen. Kriisiaikoina tekoälyrahastojen suorituskyky parani. Tulos poikkeaa aikaisemmista tutkimuksista. Aikaisemmissa tutkimuksissa tekoälyn hyvää suorituskykyä on perusteltu kyvyllä valita parempia osakkeita, pienemmillä kaupankäyntikustannuksilla sekä vähäisemmillä sijoittajien käyttäytymiseen liittyvillä vinoumilla. Näiden tulosten perusteella uskon ihmisen roolin säilyvän tärkeänä rahastonhoidossa. Silti tekoälyn tarjoama mekaaninen apu voi tehostaa sijoitusprosessia.