🤖 AI

Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection

Dit onderzoek toont aan dat het integreren van de klassieke waardebeleggingsprincipes van Benjamin Graham met moderne factormodellen effectief fungeert als een risicobeheersingsmechanisme, waardoor een hybride Random Forest-strategie complexe AI-modellen zoals AutoGluon overtreft door superieure rendementen te leveren met aanzienlijk lagere drawdowns over een periode van vier jaar.

Oorspronkelijke auteurs: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Gepubliceerd 2026-06-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC0 1.0

Oorspronkelijke auteurs: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je op zoek bent naar de beste appels in een enorme, luidruchtige boomgaard (de aandelenmarkt). Decennialang hebben de slimste mensen twee zeer verschillende instrumenten gebruikt om dit te doen.

Gereedschap 1: De Ouderwetse Boer (Benjamin Graham)
Dit is de aanpak uit de jaren 1940. Het is als een strikte checklist. De boer kiest alleen appels die:

Groot en stevig zijn (geen kleine zaailingen).
Voldoende water in hun wortels hebben (contant geld in handen).
Een geschiedenis hebben van het jaarlijks produceren van vruchten (constante winst).
Worden verkocht voor een eerlijke, lage prijs (niet overpriced).

De boer negeert de opvallende, dure "super-appels" die misschien snel groeien maar in een storm kunnen rotten. Dit is een laagdoorlaatfilter: het blokkeert de luidruchtige, risicovolle zaken en laat alleen de solide, veilige zaken door.

Gereedschap 2: De High-Tech Drone (Moderne AI)
Dit is de nieuwe aanpak. Het gebruikt complexe computers en machine learning (zoals XGBoost en AutoGluon) om de hele boomgaard te scannen. Het kijkt naar duizenden datapunten: hoe hard de wind waait, de kleur van de bladeren, de geschiedenis van de bodem, en zelfs de stemming van de weersverwachting. Het probeert verborgen patronen te vinden die mensen niet kunnen zien.

Het Experiment
De auteurs van dit artikel wilden zien welk gereedschap eigenlijk beter werkt wanneer het weer omslaat. Ze zetten een race op met 20 jaar aan data van de S&P 500 (de grootste boomgaard in de VS). Ze testten vijf verschillende teams:

De Pure Boer: Alleen gebruikmakend van de oude regels uit de jaren 1940.
De Pure Drone: Alleen gebruikmakend van moderne, high-tech data.
De Hybride: Proberen de oude regels te mengen met de nieuwe technologie.
De Super-Drone: Een zeer complexe AI die veel modellen op elkaar stapelt.
De Benchmark: Gewoon alles in de boomgaard kopen (de S&P 500 index).

Ze lieten deze race door een specifieke vierjarige periode lopen (2022–2026) die een enorme beurscrash (een "storm") en een herstel omvatte.

De Resultaten: Wie Won?

De High-Tech Drone (AutoGluon): Dit team heeft veel geld verdiend (222% rendement), maar het was een achtbaanrit. Omdat het de "opvallende" tech-aandelen najaagde, verloor het bijna 40% van zijn waarde toen de storm toesloeg. Het was als een racewagen die snel gaat, maar hard crasht.
De Pure Boer (Graham-regels): Dit team maakte het meeste geld overall (232% rendement). Nog beter: toen de storm toesloeg, verloren ze slechts 35%. Ze crashten niet zo hard omdat ze stevige, kapitaalkrachtige bedrijven in handen hadden.
Het Hybride Team: Toen ze probeerden de oude regels met de nieuwe technologie te mengen, werden de resultaten slechter. De computer raakte in de war, begon weer risicovolle aandelen na te jagen en maakte minder geld dan de Pure Boer.
De Super-Drone (XGBoost): Deze faalde volledig in de test en maakte minder geld dan wanneer men simpelweg de hele markt zou kopen. Het had het verleden "te goed onthouden" en kon de nieuwe storm niet aan.

De Grote Les
Het artikel concludeert dat complexiteit niet altijd beter is.

Beschouw de oude regels uit de jaren 1940 niet als "verouderd", maar als een veiligheidsgordel. Wanneer je een krachtige AI-motor in een veiligheidsgordel vastzet (de Graham-regels), presteert deze beter dan wanneer je de AI ongecontroleerd laat rondrijden.

De "marge voor veiligheid" waar Benjamin Graham over sprak, is niet alleen een mooi idee; het fungeert als een wiskundig filter dat voorkomt dat de AI te enthousiast wordt en risicovolle, volatiele aandelen koopt vlak voor een crash.

Kortom:

Complexe AI is als een racewagen: snel, maar gevaarlijk in een storm.
Ouderwetse Waardebelegging is als een stevige vrachtwagen: langzamer bij het starten, maar hij rijdt je veilig door de storm en brengt je met meer geld aan de finishlijn.
Het Mengen van beide is als het plaatsen van een racewagenmotor in een vrachtwagen; het maakt het voertuig alleen maar instabiel.

De studie bewijst dat, in de luidruchtige, chaotische wereld van aandelen, het vasthouden aan de eenvoudige, saaie, fundamentele regels van "het kopen van goede bedrijven tegen een eerlijke prijs" eigenlijk de slimste manier is om moderne computers te gebruiken.

Technische Samenvatting: Quant Convergentie

Probleemstelling

Moderne kwantitatieve financiële analyse leunt steeds vaker op complexe machine learning (ML)-modellen, zoals XGBoost en AutoML-ensembles, om patronen in aandelenmarkten te identificeren. De auteurs stellen echter dat naarmate deze modellen complexer worden, ze het risico lopen te "overfitten" op kortstondige marktruis en hype, in plaats van bedrijven met werkelijke, langetermijnwaarde te identificeren. Dit leidt tot portefeuilles die tijdens bull-markten hoge absolute rendementen kunnen genereren, maar catastrofale drawdowns kunnen lijden tijdens marktschokken door een gebrek aan structurele risicobeperkingen. De kernonderzoeksvraag is of Benjamin Grahams klassieke, regelgebaseerde value investing-framework kan dienen als een wiskundig "laagdoorlaatfilter" om moderne AI-modellen te regulariseren, waardoor zij excessief risico vermijden terwijl de voorspellende prestaties behouden of verbeterd blijven.

Methodologie

De studie maakte gebruik van een rigoureus, 20-jarig backtesting-protocol (maart 2006 – maart 2026) op de S&P 500-universe, waarbij een strikte 80/20 temporele splitsing werd toegepast om look-ahead bias te voorkomen. Het trainingsvenster besloeg 4.021 dagen, terwijl het out-of-sample testvenster 1.006 dagen besloeg (maart 2022 – maart 2026), een periode die werd gekenmerkt door een ernstige macro-economische contractie gevolgd door een geconcentreerde rally.

Data en Feature Engineering

De onderzoekers construeerden drie verschillende feature-sets om deze te testen tegen vijf verschillende modelarchitecturen:

Strategie A (Pure Graham): 19 features gebaseerd op strikt op Grahams zeven defensieve criteria (bijv. Current Ratio ≥ 2, P/E ≤ 15, P/E × P/B ≤ 22,5), gecodeerd als binaire drempelwaarden en aangevuld met fundamentele ratio's.
Strategie B (Modern Quant): 15 features afgeleid van vectorisatie-operaties, inclusief risico-rendementsmetrieken (CAPM Alpha, Beta, Sharpe), momentumsignalen en een Benford's Law data-integriteitssignaal.
Strategie C (Gecombineerde Hybride): Een aggregatie van 36–40 features, inclusief cross-domein interactietermen (bijv. Waarde × Momentum).

Modelarchitecturen

Vijf modellen werden geëvalueerd via hyperparameteroptimalisatie met Optuna (Tree-structured Parzen Estimator) en TimeSeriesSplit cross-validatie:

Random Forest (RF): Getraind op Strategieën A, B en C.
XGBoost: Getraind op de gecombineerde hybride dataset (Strategie D).
AutoGluon: Een geautomatiseerd ML-framework geconfigureerd om meerdere modellen te stacken (Strategie E).

Executieprotocol

De studie simuleerde een strikte "buy-and-hold" strategie. Aan het begin van de testperiode selecteerde elk model de top 20 aandelen op basis van de voorspelde outperformance-waarschijnlijkheid. Deze werden gekocht met gelijke gewichten en vastgehouden zonder herbalancering gedurende de gehele vierjarige duur.

Belangrijkste Resultaten

De out-of-sample resultaten daagden de aanname uit dat hogere algoritmische complexiteit en onbeperkte data superieure risico-gecorrigeerde rendementen opleveren.

Absolute Rendementen: De Pure Graham Random Forest (Strategie A) behaalde het hoogste totale rendement van 232,13%, waarmee het de S&P 500-benchmark (68,00%) en het onbeperkte AutoGluon-model (222,68%) versloeg.
Risico en Drawdown: Hoewel AutoGluon hoge rendementen genereerde, leed het onder een ernstige maximale drawdown van 39,78% tijdens de marktshock van 2022, wat aanzienlijk slechter was dan de benchmark van 24,00%. In tegenstelling hiertoe ervoer het Pure Graham-model een drawdown van 35,01%, en de Gecombineerde Hybride RF (Strategie C) bereikte de laagste drawdown van 34,53%.
Risico-gecorrigeerd Rendement: Het Pure Graham-model behaalde de hoogste Calmar Ratio (1,38), wat wijst op een superieur rendement per eenheid neerwaarts risico. De Gecombineerde Hybride RF (Strategie C) volgde met 1,22, terwijl AutoGluon zakte naar 1,16.
Complexiteitsstraf: Wanneer moderne kwantitatieve factoren werden gemengd met Graham's regels (Strategie C), daalde het totale rendement naar 202,91% vergeleken met de 232,13% van het pure Graham-model. Bovendien stortte het XGBoost-model toegepast op de gecombineerde dataset (Strategie D) in tot een rendement van 56,79%, wat onderpresteerde ten opzichte van de benchmark, wat duidt op ernstige overfitting.
Statistische Significantie: Een Welch's t-test bevestigde dat de outperformance van de Pure Graham-strategie statistisch significant was op het $\alpha = 0,10$ niveau ( $p = 0,098$ ) ten opzichte van de S&P 500. Omgekeerd slaagde het AutoGluon-model er niet in de nulhypothese te verwerpen ( $p = 0,106$ ), wat suggereert dat de rendementen mathematisch niet te onderscheiden waren van willekeurige variantie gezien de hoge volatiliteit.

Betekenis en Claims

Het paper beweert dat Benjamin Grahams "margin of safety" geen verouderd concept is, maar een zeer effectieve regularisatietechniek voor moderne algoritmische handel.

Laagdoorlaatfiltering: De studie demonstreert dat het beperken van ML-modellen tot klassieke balansgegevens fungeert als een wiskundig laagdoorlaatfilter, wat effectief financieel fragiele bedrijven verwijdert en voorkomt dat het model overfit op kortstondige momentum of volatiliteit.
Verwatering van Waarde: Het onderzoek suggereert dat het proberen te "moderniseren" van de regels van Graham door hedendaagse momentumfactoren toe te voegen, de voorspellende kracht van deze regels feitelijk verzwakt. De pure fundamentele logica bleek structureel superieur aan hybride benaderingen in dit specifieke marktregime.
Structurele Overleving: De bevindingen wijzen erop dat in de intersectie van AI en financiën, de meest robuuste modellen die zijn die verankerd zijn in de fundamentele economische realiteit. Complexe, onbeperkte ensembles kunnen de opwaartse momentum vangen, maar falen in het bieden van structurele overleving tijdens marktschokken, terwijl beperkte fundamentele modellen een superieur risico-rendementsprofiel bieden.

De auteurs concluderen dat fundamentele beperkingen noodzakelijk zijn om echte, statistisch significante alpha te isoleren, waardoor de defensieve framework van Graham uit de jaren 1940 wordt getransformeerd tot een essentieel instrument voor risicobeheer in hoogdimensionale machine learning-systemen.