Grote hedgefondsen boekten eind 2024 sterke resultaten in aanloop naar 2025. De winst komt deels door kunstmatige intelligentie in handelsmodellen en door de beursrally in AI-aandelen zoals Nvidia en Microsoft. Zowel in de VS als Europa profiteren vooral systematische fondsen. De Europese AI-verordening (AI Act) en MiFID II bepalen intussen hoe deze systemen veilig en toetsbaar moeten blijven.
AI tilt rendementen
De stijgende koersen van AI-gerelateerde technologiebedrijven droegen breed bij aan winst. Denk aan Nvidia, Microsoft en toeleveranciers in de halfgeleiders, waaronder ASML. Fondsen die deze trend vroeg oppikten of systematisch volgden, zagen extra rendement. Dat helpt hun startpositie voor 2025.
Tegelijk zetten veel beheerders kunstmatige intelligentie in om marktsignalen sneller en schoner te lezen. Zulke modellen combineren koersdata met nieuws, winstrapporten en alternatieve data. Het doel is om ruis te verminderen en beslissingen te versnellen. Dat kan de zogeheten alpha verhogen, dus winst boven de markt.
Deze twee krachten versterken elkaar. Een AI-rally biedt momentum; algoritmen helpen dat momentum te timen. Daardoor presteren systematische strategieën nu vaak beter dan handmatig beheer. Maar het blijft afhankelijk van marktomstandigheden.
Kwantmodellen winnen terrein
Veel fondsen gebruiken machinelearning, een vorm van AI die patronen uit data leert. Voorbeelden zijn taalmodellen die notulen van centrale banken scannen, of systemen die winstoproepen automatisch samenvatten. Ook sentimentanalyse op nieuws en sociale media krijgt meer gewicht. Hiermee willen beheerders sneller op onverwachte wendingen reageren.
Daarnaast zetten teams neurale netwerken in om risicobeheer te verfijnen. Ze schatten bijvoorbeeld de kans op plotselinge volatiliteit in. Of ze herkennen wanneer correlaties tussen sectoren veranderen. Dat kan posities verkleinen voordat risico’s uit de hand lopen.
Kwantfonds: een fonds dat systematisch belegt op basis van data en algoritmen, met vooraf vastgelegde regels en beperkte menselijke tussenkomst.
Fondsen combineren vaak eigen modellen met diensten van grote techspelers. Zo gebruiken analistenteams soms generatieve systemen zoals GPT-4 van OpenAI voor researchtaken. Die tools helpen teksten samen te vatten en hypotheses te toetsen. De uiteindelijke handelsbeslissing ligt bij het interne model of een beleggingscomité.
Grenzen en valkuilen zichtbaar
AI-modellen kunnen overfitten: ze leren het verleden te goed en falen in nieuwe situaties. Regimewissels, zoals plots dalende rentes of schokken in China, kunnen zo’n model verrassen. Daarom houden teams back-ups en ‘kill switches’ paraat. Ze bouwen ook simpele controles naast complexe netwerken.
Datakwaliteit blijft een zwak punt. Een kleine fout in brondata kan grote posities sturen. Beheerders investeren daarom in data-ops: opschoning, herkomstcontrole en auditsporen. Zonder dat raakt het hele model onbetrouwbaar.
Generatieve AI brengt extra risico’s mee, zoals hallucinaties. Daarom wordt output zelden direct naar handel vertaald. Eerst volgt menselijk toezicht en stresstests. Pas daarna krijgt een signaal gewicht in het portefeuillemodel.
Europese regels sturen aanpak
In Europa gelden al strenge regels voor algoritmische handel via MiFID II en ESMA-richtlijnen. Beheerders moeten onder meer stresstesten, loggen en een noodstop hebben. Ook moeten ze uitleg kunnen geven over beslissingen. Dat helpt toezicht en vermindert systeemrisico’s.
De Europese AI-verordening (AI Act) komt daar gefaseerd bovenop. Handelssystemen vallen niet standaard in de zwaarste risicoklasse, maar algemene plichten rond transparantie, veiligheid en datakwaliteit blijven relevant. Zeker waar AI consumenten raakt, zoals via beleggingsapps of advies. Organisaties doen er goed aan dit nu al te borgen.
De AVG geldt zodra persoonlijke of herleidbare data worden gebruikt. Dataminimalisatie, versleuteling en duidelijke grondslagen zijn verplicht. De Nederlandsche Bank (DNB) en de Autoriteit Financiële Markten (AFM) leggen nadruk op modelrisicobeheer en uitlegbaarheid. Op het moment van schrijven toetsen zij hier actief op in de sector.
Gevolgen voor Nederlandse markt
Nederlandse beleggers zien deze trend via beleggingsfondsen en pensioenbeheerders terug. Grote spelers als APG en PGGM investeren al jaren in data- en modelcapaciteit. Zij gebruiken AI vooral voor risico-inschatting, kostenbeheersing en operationele efficiëntie. Transparantie naar deelnemers blijft daarbij een eis.
Voor particuliere beleggers is de impact indirect. UCITS-regels beperken risico’s en leverage, ook als een fonds AI inzet. Essentiële beleggersinformatie blijft leidend. Let op kosten, strategie en hoe een fonds uitlegbaarheid borgt.
Voor aanbieders in Nederland wordt documentatie zwaarder. Uitleg van datamodellen, validatieprocessen en incidentprocedures moet op orde zijn. Dat voorkomt discussies met toezichthouders en schept vertrouwen. Het maakt het ook makkelijker om nieuwe AI-tools gecontroleerd te testen.
Vooruitblik op 2025
Beheerders verwachten dat de AI-hausse in technologie doorwerkt, maar selectiever wordt. Winsten verplaatsen zich mogelijk van infrastructuur naar toepassingen. Dat vraagt fijnmaziger modellen en actuele data. Concurrentie om data en rekenkracht blijft groot.
Fondsen investeren verder in talent en tooling. Denk aan MLOps, betere datalakes en evaluatiebenchmarks. Ook samenwerking met cloudaanbieders groeit, met aandacht voor kosten en lock-in. Europese datacenters en soevereiniteit spelen daarin mee.
Voor alpha geldt: meer spelers met soortgelijke modellen drukt vaak het voordeel. Differentiatie via unieke data en governance wordt belangrijker. Fondsen die uitlegbaarheid en compliance combineren met snelheid, hebben een streep voor. Dat sluit aan bij de Europese focus op betrouwbaar en controleerbaar AI-gebruik.
