Door Francis Muyshondt.

Met een reeks actieve ETF’s die steunen op een eigen AI-beleggingsstrategie wil Pictet Asset Management beleggers een extra rendement bieden bovenop dat van de klassieke aandelenindexen, zonder af te wijken van hun risicoprofiel. Volgens Gabriele Susinno, Senior Client Portfolio Manager bij Pictet, mikt de aanpak op een jaarlijks meerrendement van 1% na kosten ten opzichte van de onderliggende index. In een interview legt hij uit hoe de onderliggende AI-technologie werkt, waar het extra rendement vandaan moet komen en waar de grenzen liggen. Hij benadrukt ook dat het geen black box is en dat menselijke tussenkomst altijd nodig zal blijven.

Waarover gaat het?

Eind juni 2026 lanceerde Pictet Asset Management vier AI Enhanced ETF’s met de MSCI World, de S&P 500, de MSCI Europe en de MSCI World ex USA als referentie-index. Het doel is om met een eigen, door AI aangestuurd beleggingsmodel, dat Pictet in maart 2024 introduceerde, een hoger rendement te halen dan de onderliggende indexen, zonder wezenlijk van hun risicoprofiel af te wijken.

Het verschil met een klassieke indextracker zit vooral in de samenstelling van de onderliggende portefeuille. Waar de MSCI World bijvoorbeeld zo’n 1.350 aandelen bevat, heeft de vermogensbeheerder er maar 300 à 400 nodig om het risicoprofiel van de index grotendeels na te bootsen. Pictet gebruikt daarvoor methodes zoals gestratificeerde steekproeftrekking (stratified sampling), een vorm van efficiënte optimalisatie. Daarbij wordt een selectie van aandelen samengesteld die samen dezelfde kenmerken hebben als de aandelen in de index. In de praktijk zorgt die selectie ervoor dat de portefeuille qua landen-, sector- en factorblootstelling zo dicht mogelijk bij de benchmark blijft. ‘Bij die samenstelling komt artificiële intelligentie om de hoek kijken’, legt Susinno uit. ‘Er zijn trouwens meerdere combinaties van aandelen mogelijk die hetzelfde effect hebben om de benchmark na te bootsen.’

Extra rendement

Daarnaast voorspelt het eigen AI-model welke individuele aandelen het op korte termijn, hooguit een maand, relatief beter of slechter zullen doen dan de index. Op basis daarvan kan Pictet aandelen met gunstige vooruitzichten overwegen, terwijl minder aantrekkelijke bedrijven worden onderwogen of helemaal uit de portefeuille verdwijnen. ‘Het resultaat is een portefeuille die qua samenstelling sterk verschilt van de benchmark, maar waarvan de marktgevoeligheid en het risicoprofiel zo goed mogelijk overeenstemmen met die van de index. Het extra rendement moet dus niet komen van grote posities in bepaalde sectoren of beleggingsstijlen, maar van de selectie en weging van individuele aandelen’, zegt Susinno, terwijl hij verder uitlegt hoe het model werkt.

‘Wij mikken op een jaarlijkse outperformance van 1 tot 1,5% na kosten, met een tracking error van hoogstens 2%.’ Het komt er volgens hem dus op aan om systematisch kleine, bedrijfsspecifieke rendementsverschillen te benutten. Het is uitdrukkelijk niet de bedoeling om de absolute richting van de aandelenmarkten te voorspellen. ‘Klassieke kwantitatieve beleggers proberen als het ware op de grote golven van de markt te surfen. Maar als je veel dichter naar het wateroppervlak kijkt, zie je allerlei kleine rimpelingen die opduiken en weer verdwijnen. Die hebben hun eigen dynamiek.’ Precies die kleine bewegingen probeert Pictet met zijn AI-model te voorspellen.

Inspelen op kortetermijnbewegingen

In de klassieke financiële theorie worden bedrijfsspecifieke of idiosyncratische risico’s beschouwd als risico’s waarvoor beleggers geen extra rendementspremie krijgen, omdat ze grotendeels weg te diversifiëren zijn door over voldoende aandelen te spreiden. Koersbewegingen van individuele bedrijven die niet worden verklaard door algemene marktontwikkelingen of klassieke risicofactoren, worden daarom vaak afgedaan als grotendeels onvoorspelbare ruis. Maar volgens Susinno betekent dat niet dat die bewegingen volledig willekeurig zijn. ‘Als je hun richting ook maar met een kleine mate van voorspelbaarheid kunt bepalen, heb je een voorsprong.’ Precies dat probeert Pictet met artificiële intelligentie te bereiken: patronen blootleggen in bedrijfsspecifieke koersbewegingen die klassieke modellen niet kunnen detecteren.

De technologie werd ontwikkeld binnen het Quantitative Equities and Solutions-team (Quest) van Pictet, dat sinds 1998 actief is in kwantitatief beleggen. ‘De strategie is ontstaan uit onderzoek naar een efficiëntere manier om grote kwantitatieve portefeuilles te herbalanceren, zonder dat transactiekosten te veel van het rendement opslorpen’, legt de Pictet-beheerder uit.

Vierhonderd variabelen en duizenden beslissingsbomen

Om die voorspellingen te maken, gebruikt Pictet machine learning. ‘Het model verwerkt intussen bijna 400 verschillende kenmerken of features, onder meer over de fundamentals van bedrijven, de verwachtingen van analisten, het marktsentiment en koersinformatie.’ Opvallend is dat Pictet daarvoor grotendeels op klassieke financiële data steunt. ‘Wij hebben geen satellietbeelden of andere exotische databronnen nodig’, benadrukt Susinno. ‘Het gaat erom hoe je de beschikbare informatie combineert en welke verbanden je eruit kunt afleiden.’ Dat is volgens hem het fundamentele verschil met klassieke kwantitatieve modellen, die doorgaans een beperkt aantal vooraf bepaalde verbanden tussen financiële variabelen gebruiken.

Machine learning kan daarentegen veel complexere interacties herkennen. Pictet gebruikt daarvoor zogenaamde gradient boosted decision trees: algoritmes waarin grote aantallen beslissingsbomen samenwerken om de voorspellingen stap voor stap te verbeteren. Susinno vergelijkt die beslissingsbomen met analisten die elkaar aanvullen, waarbij elke nieuwe boom zich toespitst op de fouten en tekortkomingen van de vorige. ‘Wij werken met modellen die uit tienduizenden beslissingsbomen bestaan. Je kunt ze zien als duizenden analisten die zonder enige rivaliteit samenwerken.’ De gecombineerde voorspellingen vormen uiteindelijk de basis voor de weging van de individuele aandelen in de portefeuille.

Bij de uiteindelijke samenstelling van de portefeuille houdt Pictet niet alleen rekening met de rendementsvoorspellingen van het AI-model, maar ook met risico’s en transactiekosten. Zo wil het vermijden dat de portefeuille te ver van de benchmark afwijkt, of dat het verwachte extra rendement verloren gaat doordat er te veel aandelen worden gekocht en verkocht.

Niet te veel alfa najagen

Een belangrijke beperking van de aanpak is dat de voorspellingen van het model maar kort houdbaar zijn. Zoals eerder vermeld, richt Pictet zich daarom op een horizon van ongeveer een maand. Daardoor kunnen de signalen niet worden gebruikt om een geconcentreerde portefeuille met grote actieve posities op te bouwen. ‘Als wij de tracking error fors zouden optrekken om meer rendement uit de voorspellingen te halen, zouden wij de betrouwbaarheid van de signalen ondergraven’, zegt Susinno.

Volgens hem ligt de kracht van de aanpak in het combineren van heel veel kleine voorspellingen binnen een breed gespreide portefeuille. ‘Met die informatie kun je een beetje extra alfa genereren. Maar als je te gulzig wordt, maak je alles kapot.’ Dat onderscheidt de strategie volgens Susinno ook van klassieke actieve fondsen, die bewust grote posities innemen in bepaalde sectoren, stijlfactoren of marktsegmenten.

Voor passieve beleggers is het net de bedoeling dat ze hun bestaande blootstelling aan bijvoorbeeld de MSCI World of de S&P 500 grotendeels behouden. De keerzijde is dat de strategie gewoon mee daalt met de onderliggende aandelenmarkt als die fors corrigeert. ‘De AI-laag is niet ontworpen om beleggers te beschermen tegen een algemene marktdaling’, benadrukt de Pictet-beheerder.

‘Generatieve AI is vooral een marketinginstrument’

Hoewel Pictet volop inzet op artificiële intelligentie, is Susinno opvallend kritisch over het gebruik van generatieve AI om aandelenrendementen te voorspellen. Zijn team onderzocht of grote taalmodellen, zoals de technologie achter ChatGPT, meerwaarde konden bieden. ‘Wij hebben bekeken of een groot taalmodel ons een voorsprong kon geven. Maar om aandelenrendementen te voorspellen, zien wij momenteel geen meetbare meerwaarde. In dat opzicht is het vooral een marketinginstrument.’ De reden is volgens Susinno dat generatieve AI niet specifiek ontworpen is om complexe, multidimensionale numerieke datasets te analyseren.

‘Wij beheren het geld van onze klanten alsof het ons eigen geld is. Je moet dus begrijpen waarom een model tot een bepaalde beslissing komt.’ Pictet heeft daarom meer dan twee jaar gewerkt aan technieken om de beslissingen van zijn machinelearningmodellen te verklaren. Het doel was de klassieke black box om te vormen tot wat Susinno een ‘crystal box’ noemt: een model waarvan de voorspellingen kunnen worden ontleed en teruggebracht tot de onderliggende informatie. Volgens hem is die transparantie essentieel om de strategie op te volgen en verder te ontwikkelen.

3,7 miljard dollar onder beheer, en dat bedrag groeit

Volgens Susinno groeit de belangstelling voor deze manier van beleggen. ‘Wij beheren nu ongeveer 3,7 miljard dollar in onze AI-gestuurde enhanced-indexstrategieën. Dat bedrag groeit elke maand gestaag, nu beleggers het concept beginnen te omarmen.’ Het trackrecord heeft daarbij geholpen. Volgens Susinno heeft de wereldwijde strategie van bij de lancering tot eind september 2026 een cumulatieve outperformance van 2,2% na kosten opgeleverd.

De nieuwe beleggers komen vooral uit het passieve segment. ‘Wij zien beleggers die volledig passief begonnen, maar zich dan beginnen af te vragen of een beperkte actieve component de moeite waard kan zijn. Ze willen hun kernportefeuille niet fundamenteel veranderen, maar staan wel open voor een beetje extra rendement.’ Pictet positioneert zijn actieve ETF’s dus uitdrukkelijk als alternatief voor klassieke indextrackers, en niet als concurrent van actieve aandelenfondsen.

Om die voorsprong te behouden, investeert Pictet fors in technologische infrastructuur. Het team beschikt intussen over eigen servers met een rekenkracht van duizenden biljoenen berekeningen per seconde. Met die eigen infrastructuur wil Pictet minder afhankelijk worden van externe cloudaanbieders, waarvan de prijzen kunnen stijgen nu de vraag naar AI-rekenkracht de pan uit swingt. Intussen onderzoekt het team hoe nieuwe databronnen, complexere beslissingsbomen en combinaties met neurale netwerken de modellen verder kunnen verbeteren. Maar volgens Susinno mag de technologie nooit volledig autonoom werken. ‘Menselijk toezicht blijft essentieel. Zonder dat toezicht zal een systeem vroeg of laat ontsporen en falen’, besluit hij.