Munculnya Dana Hedge yang Didukung Kecerdasan Buatan

Kecerdasan buatan semakin memegang peranan penting dalam riset, perdagangan, dan manajemen risiko dana lindung nilai. Preqin melaporkan bahwa jumlah dana yang menggunakan AI telah meningkat sebesar 20% selama lima tahun terakhir. Teknologi ini memungkinkan manajer untuk menganalisis lebih banyak data dan bereaksi lebih cepat, namun tidak menghilangkan masalah-masalah klasik dalam berinvestasi: sinyal yang tidak dapat diandalkan, perdagangan yang terlalu ramai, dan perubahan mendadak dalam perilaku pasar.

Hedge fund selalu berupaya memperoleh keunggulan dalam hal informasi atau analisis. Sebagian di antaranya mengandalkan penilaian para analis saham berpengalaman. Sebagian lainnya mengembangkan kerangka kerja makroekonomi, strategi berbasis peristiwa, atau model statistik.

Kecerdasan buatan memperluas tradisi kuantitatif. Sistem pembelajaran mesin mampu menganalisis kumpulan data yang besar, mendeteksi pola, dan memperbarui kesimpulannya seiring masuknya informasi baru.

Kemampuan tersebut sangat diminati di pasar-pasar yang menghasilkan data dalam jumlah yang melebihi kemampuan tim investasi manusia mana pun untuk dianalisis sendiri.

Namun, memproses lebih banyak informasi tidak sama dengan memahami pasar secara lebih akurat. AI dapat meningkatkan upaya pencarian peluang, tetapi kualitas keputusannya tetap bergantung pada data, tujuan, dan asumsi yang tertanam dalam sistem tersebut.

Investasi kuantitatif muncul lebih dulu

Penggunaan komputer dalam manajemen investasi sudah ada jauh sebelum munculnya minat terhadap kecerdasan buatan seperti sekarang ini.

Hedge fund kuantitatif telah menerapkan metode matematika dan statistik selama beberapa dekade. Mereka mencari hubungan yang berulang antara instrumen keuangan, variabel ekonomi, dan perilaku investor, kemudian menerjemahkan hubungan tersebut menjadi aturan perdagangan.

Renaissance Technologies menjadi salah satu contoh paling menonjol. Dana-dana yang dikelolanya memanfaatkan kumpulan data besar dan model sistematis, alih-alih riset perusahaan konvensional atau perkiraan pasar yang bersifat diskresioner.

Keberhasilan perusahaan tersebut turut berperan dalam mengukuhkan investasi kuantitatif sebagai bagian yang tersendiri dan sangat menguntungkan dalam industri hedge fund.

AI merupakan evolusi dari pendekatan ini, bukan pemutusan total darinya. Model-model tradisional sering kali dimulai dengan hubungan-hubungan yang dipilih oleh para peneliti. Sistem pembelajaran mesin dapat menganalisis kumpulan variabel yang lebih luas dan mengidentifikasi pola-pola dengan instruksi langsung yang lebih sedikit.

Hal ini memperluas cakupan analisis. Hal ini juga mungkin membuat strategi yang dihasilkan menjadi lebih sulit untuk dijelaskan.

Keunggulan data semakin sulit dipertahankan

Dana investasi kuantitatif pada masa awal mendapat keuntungan dari informasi dan kemampuan komputasi yang tidak dimiliki oleh sebagian besar pesaingnya.

Keunggulan itu kini semakin menyempit.

Harga pasar, laporan perusahaan, data ekonomi, dan kumpulan data alternatif kini dapat diakses oleh lebih banyak perusahaan. Komputasi awan telah menurunkan biaya pemrosesan informasi, sementara penyedia layanan eksternal menawarkan alat pembelajaran mesin yang siap pakai.

Hambatan untuk melakukan eksperimen telah sirna. Namun, hambatan untuk menghasilkan imbal hasil investasi yang berkelanjutan belum sirna.

Ketika beberapa dana investasi menganalisis data serupa menggunakan model yang sebanding, mereka mungkin menemukan peluang yang sama. Modal kemudian mengalir ke transaksi tersebut, harga pun beradaptasi, dan imbal hasil yang diharapkan pun menurun.

Keunggulan kini tidak lagi terletak pada keberadaan algoritma, melainkan pada ketersediaan data yang lebih baik, penelitian yang lebih mendalam, dan pelaksanaan yang lebih cepat.

Bahkan informasi eksklusif pun tidak akan tetap bernilai selamanya. Begitu para pesaing menyadari bahwa suatu kumpulan data tertentu mengandung petunjuk yang berguna, mereka akan berusaha menirunya.

AI dapat mempercepat proses penemuan. AI juga dapat mempercepat hilangnya peluang yang telah ditemukan.

Data alternatif memperluas cakupan

Dana yang didukung AI dapat mengolah informasi yang mungkin terlewatkan dalam analisis investasi konvensional.

Citra satelit dapat memberikan perkiraan mengenai aktivitas di pabrik, pelabuhan, atau tempat parkir mobil ritel. Harga daring mungkin memberikan sinyal awal mengenai inflasi. Data pengiriman barang dapat mengungkap perubahan dalam arus perdagangan, sementara iklan lowongan kerja mungkin menunjukkan di mana perusahaan sedang melakukan ekspansi.

Pemrosesan bahasa alami memungkinkan perusahaan investasi menganalisis laporan perusahaan, konferensi telepon hasil keuangan, laporan berita, dan aktivitas media sosial dalam skala besar.

Sumber-sumber ini dapat membantu para manajer mengidentifikasi perkembangan sebelum hal tersebut tercermin dalam laporan keuangan konvensional.

Hal itu juga menimbulkan gangguan yang cukup besar.

Sentimen di media sosial dapat dimanipulasi. Pengamatan satelit memerlukan interpretasi. Meningkatnya diskusi daring mungkin mencerminkan adanya kontroversi, bukan kekuatan komersial.

Oleh karena itu, data alternatif harus diuji berdasarkan hasil ekonomi yang sesungguhnya. Keunikan suatu kumpulan data bukanlah bukti bahwa data tersebut mengandung sinyal yang menguntungkan.

Semakin banyak informasi yang diproses oleh sebuah model, semakin besar pula kebutuhan untuk membedakan variasi yang berguna dari kebetulan.

"Prediksi" tetap merupakan kata yang berbahaya

Hedge fund berbasis kecerdasan buatan (AI) sering digambarkan mampu memprediksi pergerakan pasar dengan akurasi yang luar biasa.

Pernyataan tersebut melebih-lebihkan apa yang dilakukan oleh sebagian besar sistem.

Model pembelajaran mesin umumnya memperkirakan probabilitas berdasarkan hubungan yang ditemukan dalam data masa lalu. Model-model tersebut mungkin mengidentifikasi bahwa kombinasi tertentu antara harga, volatilitas, dan aktivitas perdagangan sebelumnya telah diikuti oleh hasil tertentu.

Hubungan-hubungan ini bukanlah hukum alam.

Pasar selalu beradaptasi. Para investor saling bereaksi, peraturan berubah, dan kondisi ekonomi bergeser. Begitu suatu pola mulai dikenali secara luas, aktivitas perdagangan itu sendiri justru dapat melemahkan atau membalikkan pola tersebut.

Model yang dilatih pada masa suku bunga rendah mungkin akan mengalami kesulitan ketika biaya pinjaman melonjak tajam. Hubungan yang berlaku di pasar yang likuid mungkin akan menghilang selama krisis.

AI dapat membuat prakiraan menjadi lebih terperinci dan memperbaruinya lebih sering. Namun, AI tidak dapat menjamin bahwa kondisi besok akan sama dengan data yang digunakan untuk melatihnya.

Bridgewater menunjukkan contoh penggunaan yang berbeda

Bridgewater Associates lebih dikenal karena strategi investasi makro sistematisnya daripada karena beroperasi sebagai hedge fund yang sepenuhnya digerakkan oleh kecerdasan buatan.

Proses investasinya telah lama mengandalkan aturan yang jelas, hubungan ekonomi, dan analisis data yang mendalam. Kecerdasan buatan (AI) dapat mendukung struktur ini dengan membantu para peneliti menganalisis informasi, menguji hipotesis, dan memantau risiko portofolio.

Perbedaan ini penting.

Beberapa hedge fund menggunakan pembelajaran mesin untuk secara langsung menghasilkan transaksi. Yang lain menggunakannya sebagai salah satu masukan dalam kerangka kerja investasi yang lebih luas. Kecerdasan buatan (AI) dapat membantu dalam riset, pelaksanaan transaksi, atau manajemen risiko tanpa mengendalikan seluruh portofolio.

Pendekatan Bridgewater menunjukkan bagaimana teknologi dapat memperkuat filosofi investasi yang sudah mapan, alih-alih menggantikannya.

Kerangka kerja yang jelas juga dapat membuat analisis otomatis lebih mudah untuk dipertanyakan. Apabila kesimpulan suatu model bertentangan dengan pemahaman dana investasi tersebut mengenai kondisi ekonomi, para peneliti dapat menyelidiki perbedaan tersebut.

AI paling berguna ketika tidak hanya memberikan jawaban, tetapi juga mengajukan pertanyaan.

Kecepatan mengubah keseimbangan persaingan

Sistem pembelajaran mesin dapat memproses kumpulan data besar jauh lebih cepat daripada analis manusia.

Hal ini penting dalam strategi di mana nilai informasi cepat menurun. Manajer investasi dapat menganalisis laporan laba, mengklasifikasikan isinya, dan melakukan transaksi sebelum tim riset konvensional menyelesaikan tinjauannya.

Algoritma juga dapat memantau ribuan instrumen keuangan dan menyesuaikan posisi seiring dengan perubahan harga, korelasi, atau volatilitas.

Kecepatan semacam itu hanya memberikan keunggulan jika sinyalnya dapat diandalkan dan biaya eksekusi terkendali.

Berdagang terlalu sering dapat mengurangi imbal hasil akibat biaya, selisih harga, dan dampak pasar. Tanggapan yang terlalu cepat juga dapat memperparah kesalahan jika model salah menafsirkan informasi baru.

Sinyal palsu yang ditindaklanjuti dalam hitungan milidetik tetaplah palsu.

Oleh karena itu, hedge fund harus memutuskan hasil mana yang perlu segera dilaksanakan dan mana yang harus melalui pemeriksaan tambahan.

Model yang paling cepat belum tentu yang paling menguntungkan.

AI tidak menghilangkan bias manusia

Para pendukung sering berpendapat bahwa kecerdasan buatan (AI) menghasilkan keputusan investasi yang lebih objektif dengan meminimalkan peran emosi dan intuisi.

Hal ini dapat membatasi kesalahan-kesalahan perilaku tertentu. Sebuah algoritma tidak akan panik setelah pasar anjlok, tidak akan terikat pada perusahaan favorit, atau mengubah strateginya hanya karena dipengaruhi oleh seorang direktur utama yang persuasif.

Namun, model-model tersebut mewarisi pilihan-pilihan para perancangnya.

Para peneliti memilih data, menentukan sasaran, dan memutuskan bagaimana sistem seharusnya menyeimbangkan imbal hasil dengan risiko. Mereka juga menentukan periode historis mana yang relevan serta bagaimana prediksi yang gagal ditangani.

Oleh karena itu, bias dapat muncul akibat proses penyusunan model, bukan karena emosi manajer portofolio.

Selain itu, ada pula risiko terjadinya bias otomatisasi. Karyawan mungkin cenderung mengandalkan sistem yang rumit karena hasilnya tampak ilmiah, meskipun asumsi yang mendasarinya lemah.

Penilaian manusia tidak lenyap. Penilaian tersebut kini berperan dalam perancangan, interpretasi, dan pengawasan model tersebut.

Klaim mengenai kinerja memerlukan bukti yang lebih kuat

Laporan-laporan industri menyebutkan bahwa hedge fund yang didukung kecerdasan buatan (AI) mengungguli kinerja dana tradisional dengan selisih rata-rata sebesar 5%.

Perbandingan semacam itu perlu dilakukan dengan hati-hati.

Kategori reksa dana yang didukung kecerdasan buatan (AI) tidak memiliki definisi yang seragam. Seorang manajer mungkin menggunakan pembelajaran mesin untuk penyusunan portofolio, sementara manajer lain hanya menggunakannya untuk eksekusi atau pemantauan risiko.

Kinerja juga bergantung pada strategi, kondisi pasar, leverage, dan periode yang diukur.

Dana investasi yang sukses mungkin mempublikasikan metode mereka, sementara dana investasi yang gagal menghilang dari basis data. Hal ini menimbulkan bias kelangsungan hidup dan dapat membuat catatan historis tampak lebih kuat daripada kenyataannya.

AI mungkin dapat berkontribusi pada kinerja yang lebih baik dalam beberapa strategi. AI itu sendiri bukanlah faktor penentu imbal hasil.

Para investor perlu memahami bagaimana teknologi tersebut memengaruhi proses investasi dan apakah keunggulan yang diklaim tersebut masih bertahan di tengah biaya transaksi, perubahan pasar, dan persaingan.

Keberadaan pembelajaran mesin tidak boleh menurunkan standar uji tuntas.

Risiko model berubah menjadi risiko investasi

Setiap reksa dana kuantitatif menghadapi risiko model: kemungkinan bahwa representasi pasar yang dibuatnya tidak lengkap atau salah.

AI dapat memperparah masalah ini karena sistem yang kompleks mungkin berperilaku dengan cara yang sulit diprediksi.

Sebuah model mungkin menunjukkan kinerja yang baik selama tahap pengujian karena telah mengidentifikasi pola-pola yang muncul secara kebetulan dalam data historis. Hal ini dikenal sebagai overfitting. Strategi tersebut tampak akurat hingga model tersebut menghadapi informasi yang belum pernah ditemuinya sebelumnya.

Model juga dapat mengalami penurunan kinerja secara bertahap seiring dengan perubahan kondisi pasar. Sebuah sinyal mungkin tetap menguntungkan namun menjadi lebih lemah, sehingga sistem terpaksa mengambil risiko yang lebih besar untuk mencapai tingkat pengembalian yang sama.

Hedge fund harus memantau apakah hasil aktual tetap konsisten dengan hasil penelitian awal.

Validasi independen sangatlah penting. Tim yang mengembangkan model tidak boleh menjadi satu-satunya pihak yang bertanggung jawab dalam menentukan apakah model tersebut dapat diandalkan.

Para manajer juga memerlukan batas-batas yang jelas untuk mengurangi eksposur atau menghentikan suatu strategi.

Sebuah model tidak boleh dipertahankan hanya karena terlalu rumit untuk dipahami.

Model yang terlalu padat dapat memperkuat pergerakan pasar

Pertumbuhan perdagangan yang didorong oleh kecerdasan buatan (AI) berpotensi memengaruhi perilaku pasar di luar lingkup dana investasi individu.

Jika beberapa model merespons sinyal yang sama, mereka mungkin akan melakukan pembelian dan penjualan pada waktu yang hampir bersamaan. Hal ini dapat menyebabkan posisi yang terlalu padat dan pergerakan harga yang tajam ketika kondisi pasar berbalik arah.

Sebuah strategi mungkin tampak terdiversifikasi karena memperdagangkan banyak instrumen investasi. Pada kenyataannya, posisi-posisinya mungkin bergantung pada faktor dasar yang sama dengan yang dimiliki oleh reksa dana kuantitatif lainnya.

Konsentrasi yang tersembunyi ini menjadi terlihat saat mengalami stres.

Proses pengurangan leverage yang dipaksakan dapat memperparah dampaknya. Ketika kerugian meningkat atau volatilitas naik, sistem manajemen risiko mungkin mengharuskan beberapa dana untuk mengurangi eksposur secara bersamaan.

Setiap dana mungkin bertindak secara rasional dari sudut pandangnya masing-masing, namun pada saat yang sama turut berkontribusi terhadap ketidakstabilan di seluruh pasar.

AI tidak selalu menjadi penyebab perilaku ini, tetapi otomatisasi yang lebih luas dan kesamaan model dapat mempercepat terjadinya perilaku tersebut.

Oleh karena itu, para manajer risiko harus mempertimbangkan tidak hanya apa yang dimiliki oleh sistem mereka sendiri, tetapi juga bagaimana para pesaing mungkin bereaksi terhadap informasi yang sama.

Manajemen risiko merupakan salah satu bidang penerapan yang paling kuat

AI mungkin memberikan manfaat yang lebih jelas dalam manajemen risiko daripada dalam prediksi pasar.

Sistem-sistem tersebut dapat memantau eksposur portofolio, mendeteksi korelasi yang tidak biasa, dan mengidentifikasi perubahan likuiditas. Sistem-sistem tersebut juga dapat menganalisis bagaimana posisi-posisi yang tampaknya tidak saling terkait dapat bereaksi terhadap guncangan yang sama.

Pembelajaran mesin juga dapat membantu dana investasi menguji berbagai skenario yang lebih luas dan mengidentifikasi titik-titik lemah yang terlewatkan oleh kategori risiko konvensional.

Hasilnya masih perlu ditafsirkan.

Data historis mungkin hanya memuat sedikit contoh gangguan pasar yang parah. Sebuah model hanya dapat memperkirakan probabilitas kerugian ekstrem berdasarkan peristiwa atau asumsi yang tersedia baginya.

Oleh karena itu, analisis skenario sebaiknya mencakup situasi-situasi yang belum pernah terjadi dalam data pelatihan.

Manajemen risiko bukan sekadar analisis statistik. Hal ini membutuhkan kemampuan untuk membayangkan bagaimana pasar, pihak lawan, dan infrastruktur dapat mengalami kegagalan.

AI dapat memperluas cakupan bukti yang dipertimbangkan. AI tidak dapat mendefinisikan setiap krisis yang mungkin terjadi.

Bidang talenta kini semakin bersifat interdisipliner

Investasi berbasis kecerdasan buatan (AI) tidak hanya membutuhkan insinyur perangkat lunak.

Tim yang sukses menggabungkan keahlian di bidang matematika, ilmu komputer, pasar, penyusunan portofolio, dan risiko. Sebuah model yang canggih secara teknis pun bisa gagal jika para pengembangnya tidak memahami biaya perdagangan atau bagaimana likuiditas pasar berubah di bawah tekanan.

Para profesional investasi juga perlu memiliki pengetahuan teknis yang memadai untuk mengkritisi sistem tersebut. Mereka harus memahami bagaimana data dipilih, apa yang dioptimalkan oleh model tersebut, dan di bagian mana kesimpulannya paling tidak dapat diandalkan.

Persaingan untuk mendapatkan talenta ini memakan biaya yang besar.

Hedge fund merekrut tenaga kerja dari perusahaan teknologi, universitas, dan firma riset khusus. Gaji yang ditawarkan bisa sangat besar, terutama bagi karyawan yang menggabungkan keahlian di bidang pembelajaran mesin dengan pengalaman di pasar keuangan.

Manajer-manajer skala kecil mungkin akan kesulitan menyaingi sumber daya yang dimiliki oleh perusahaan-perusahaan kuantitatif besar.

Teknologi eksternal memang dapat mempersempit kesenjangan, tetapi tidak dapat menggantikan pemahaman internal. Sebuah dana investasi yang bergantung pada sistem yang tidak dapat dievaluasinya justru telah menanggung risiko operasional baru, bukan keunggulan investasi.

Pengeluaran untuk teknologi tidak menjamin adanya keuntungan

Investasi hedge fund di bidang teknologi kecerdasan buatan (AI) diproyeksikan akan mencapai $2 miliar pada tahun 2025.

Pengeluaran tersebut dapat mendukung pembangunan infrastruktur, penelitian, dan pelaksanaan yang lebih baik. Pengeluaran tersebut juga dapat membiayai proyek-proyek yang pada akhirnya tidak menghasilkan strategi yang layak.

Inisiatif AI bisa gagal karena kualitas data yang buruk, pertanyaan penelitian yang tidak jelas, atau model yang tidak dapat beroperasi secara efektif di pasar nyata.

Hasil uji coba yang berhasil tidak secara otomatis memperhitungkan biaya transaksi, keterbatasan kapasitas, atau perubahan perilaku investor.

Oleh karena itu, lembaga keuangan sebaiknya mengevaluasi proyek-proyek teknologi berdasarkan hasil investasi atau operasional yang telah ditetapkan.

Sistem yang dirancang untuk mengurangi biaya pelaksanaan dapat diukur. Model yang dirancang untuk meningkatkan deteksi penipuan dapat dibandingkan dengan pengendalian yang sudah ada. Janji umum untuk mengubah kinerja investasi jauh lebih sulit untuk dievaluasi.

Seberapa canggih pun teknologinya, hal itu tidaklah relevan jika tidak meningkatkan imbal hasil yang disesuaikan dengan risiko atau mengurangi biaya yang dapat diukur.

Tata kelola harus mampu mengikuti perkembangan kompleksitas

Dana yang didukung AI memerlukan pertanggungjawaban yang jelas terkait model dan hasilnya.

Pimpinan tingkat atas harus memahami di mana keputusan otomatis diambil, sistem mana saja yang dapat melakukan transaksi, dan mekanisme pengendalian apa saja yang membatasi kewenangan mereka.

Perubahan pada model harus didokumentasikan dan diuji sebelum diterapkan. Sumber data harus melalui tinjauan hukum dan etika, terutama jika melibatkan informasi pribadi atau materi yang tidak dikumpulkan untuk tujuan investasi.

Keamanan siber merupakan masalah lain yang perlu diperhatikan. Model dan kumpulan data milik perusahaan merupakan aset yang berharga. Pencurian atau manipulasi terhadap aset-aset tersebut dapat menimbulkan kerugian finansial yang besar.

Manajer investasi juga harus bersiap menghadapi kegagalan teknis. Sistem perdagangan memerlukan mekanisme pengamanan, prosedur intervensi manual, serta kemampuan untuk tetap beroperasi ketika layanan eksternal tidak tersedia.

Otomatisasi dapat mengurangi kesalahan manusia dalam pengambilan keputusan rutin. Namun, hal ini dapat menimbulkan kesalahan yang lebih besar jika proses yang cacat dijalankan dalam skala besar.

Tata kelola menentukan apakah kecepatan menjadi keunggulan atau kelemahan.

Para investor perlu mengajukan pertanyaan yang berbeda-beda

Investor institusional yang mengevaluasi hedge fund berbasis kecerdasan buatan sebaiknya tidak hanya terpaku pada narasi seputar teknologinya.

Pertanyaan utamanya adalah sumber imbal hasil.

Para investor perlu memahami ketidakefisienan pasar mana yang dimanfaatkan oleh strategi tersebut, mengapa ketidakefisienan itu diperkirakan akan tetap ada, dan apa saja yang dapat menyebabkan ketidakefisienan itu menghilang. Mereka juga perlu memeriksa kualitas data, validasi model, serta kinerja reksa dana di luar periode yang digunakan untuk pengembangan.

Kapasitas juga penting. Sebuah strategi mungkin berhasil dengan modal terbatas, tetapi efektivitasnya bisa berkurang ketika aset bertambah dan transaksi yang dilakukan memengaruhi pergerakan pasar.

Para investor sebaiknya menanyakan seberapa cepat model-model tersebut berubah, siapa yang menyetujui perubahan-perubahan tersebut, dan bagaimana karyawan bertindak ketika hasil yang dihasilkan tampak tidak masuk akal.

Mereka juga perlu membedakan antara keunggulan eksklusif yang sesungguhnya dan penggunaan alat-alat yang tersedia secara luas.

Demonstrasi yang mengesankan tidak dapat menggantikan proses investasi yang berkelanjutan.

Masa depan ada di tangan dana hibrida, bukan dana otonom

Investasi di bidang kecerdasan buatan (AI) di sektor keuangan diperkirakan akan terus tumbuh pesat. Gartner memperkirakan pertumbuhan tahunan sebesar 30%, meskipun angka tersebut masih perlu diverifikasi dan mungkin berlaku untuk pasar jasa keuangan yang lebih luas.

Dalam tiga hingga lima tahun ke depan, pembelajaran mesin kemungkinan besar akan menjadi bagian rutin dari penelitian dan operasional hedge fund.

Itu tidak berarti bahwa dana yang sepenuhnya otonom akan mendominasi.

Pasar merupakan sistem adaptif yang dibentuk oleh kebijakan, perilaku kelembagaan, dan peristiwa-peristiwa yang hampir tidak memiliki preseden historis. Strategi yang sepenuhnya otomatis memang dapat menunjukkan kinerja yang kuat, namun tetap rentan terhadap asumsi-asumsi yang bisa saja gagal tanpa peringatan sebelumnya.

Model yang lebih tangguh kemungkinan besar akan menggabungkan analisis berbasis mesin dengan penelitian yang dilakukan oleh manusia serta pengawasan yang terstruktur.

Algoritma dapat menelusuri kumpulan data yang besar, memantau posisi, dan melaksanakan transaksi. Manajer portofolio dan tim risiko harus memutuskan apakah hubungan yang teridentifikasi tersebut masuk akal secara ekonomi dan apakah dana investasi tersebut dapat bertahan jika hubungan tersebut tidak lagi berlaku.

AI akan memperluas cakupan sinyal yang dapat dimanfaatkan oleh hedge fund. Hal ini juga akan mempercepat laju peniruan, penumpukan, dan pembatalan strategi.

Teknologi tersebut mungkin dapat meningkatkan mekanisme investasi. Namun, hal itu tidak menghilangkan persaingan, ketidakpastian, atau siklus pasar.

Bagi hedge fund, masalah-masalah itulah yang tetap menjadi tantangan terbesar.