Pokud jste akciový fond s dlouhou a krátkou pozici a přemýšlíte o tom, jak přijmout agentický přístup, doporučuji vám zvážit vytvoření systematické krátké knihy. 1) Dobré krátké filmy se rýmují více než dobré dlouhé a jsou tak úrodnou půdou pro enginy rozpoznávání vzorů 2) Nikdy v životě jsem nepotkal portfoliového manažera, který by analytikovi řekl: "Ne, máme dost dobrých shortů." což je opak dlouhé knihy, kde je boj o kapitál tvrdší 3) Změny mikrostruktury trhu velmi ztížily zvětšování shortů. HF reagovaly tím, že publikovaly rozmanitější krátké knihy a nemohou ospravedlnit starý tygří způsob short selling due diligence u stovek short nápadů. Tedy je tu větší potenciál pro kvalitu z makléřského přístupu. Zatímco AI agent vám toho moc neřekne o skvělém dlouhodobém pohledu založeném na variantním pohledu na produkt a management, ale strukturální poražený, kde se KPI v reálném čase zhoršují a vede k spouštěči velikosti před událostí, která může škálovat přes stovky potenciálních nápadů, je skutečným povzbuzením krátké alfa generace 4) Základní kvantitativní překryv je mnohem účinnější u shortů než u longů. Zvlášť v souvislosti s akcemi. Byli byste překvapeni, co všechno dokážete s hotovými modely. 5) Někteří zkušení short selleri hovořili o oživení short sellingu, přesto investiční týmy celkově tuto dovednost oslabily. Sympatizuji s názorem, že krátké knihy budou v příštích 36 měsících stále důležitějším zdrojem alfa textu Pravděpodobně zde nebudu sdílet konkrétní detaily (některé věci považuji za proprietární), ale pokud jste manažer s určitým rozsahem AUM a chtěl byste si o některých detailech popovídat. Prosím, napište mi do zpráv. Rád si s vámi popovídám o tom, jak mohu pomoci.

Thomas z Coatue vyjadřuje Jevonův paradox pro investory. Právě z tohoto důvodu si myslím, že je nepravděpodobné, že by celkový počet křesel investorů do veřejných akcií v příštích třech letech klesl Investování je soutěživá hra, jedna z nejkonkurenceschopnějších na světě. Odpověď fondů nebude dělat to, co dělají dnes, ale udělat to pomocí AI. Dělej to efektivněji a odpočívaj. Bude to najít nové způsoby, jak provádět hlubší a důkladnější investiční výzkum pomocí těchto nástrojů. Stejné hodiny, stejná intenzita, více poznatků. To je vlastně skvělá zpráva pro mladého investičního profesionála, který může mít větší dopad už na začátku své kariéry. Pokud to ještě není dnes, přirozená plynulost v AI bude brzy klíčovým faktorem v procesu náboru institucionálních správců aktiv.

To je také velmi zajímavé Experimentuji s datovými dashboardy řízenými umělou inteligencí, abych systematicky sledoval KPI firmy. Velká část výzkumu veřejného kapitálu spočívá v tvorbě lepších prognóz příjmů (které pak postupně přecházejí do zisku na akcii). Proto je velká část investičního výzkumu zaměřena na sledování dat, která poskytují přesnější prognózy příjmů. To je základ průmyslu alternativních dat. Ale existuje mnoho užitečných datových sad otevřených na veřejnosti. Jak chatboti nabírají na síle (Claude), jsem ohromen schopností těchto nástrojů tato data získat. Pro mě je to další chybějící část, která leží vedle plynulosti v Excelu. Schopnost importovat Excel model (nakonec jej postavit, ale ne dnes), identifikovat klíčové faktory (z otevřených a proprietárních dat), destilovat tato data zpět do prognóz a označovat zpět vlastní upozornění (obchodní dynamika, pravděpodobné úpravy prognóz příjmů, validace/zneplatnění diplomových prací atd.). Teď už mluvíme o tom!! To je o řády užitečnější než obal finančního chatbota. Zajímalo by mě, jestli se tyto nástroje vyvíjejí tak rychle, že většina finančních profesionálů se ani nemusí učit programátory. Například Perplexity Computer zabil něco, co rozhodně nebylo dokonalé, ale vykazuje zásadní pokrok v schopnosti infrastruktury pro tvorbu jednoduchých a výkonných uživatelských rozhraní. Přesnost institucionálního hodnocení zůstává kritickým a stále neúplně vyřešeným problémem (zlepší se to, jak firmy jako CarbonArc zavádějí MCP??), ale je vzrušující vidět, jak se inženýrské schopnosti tak zásadně zlepšují v tak krátkém čase.