JPO vol. III: Overset AI-revolution: Klassisk model kan sikre mere energieffektive og sikre investeringsbeslutninger

I jagten på smartere og mere effektive investeringsstrategier har AI og maskinlæring taget rampelyset. Hedgefonde, ejendomsinvestorer og banker har kastet sig over de nyeste neuronale netværk og deep learning-modeller, men i denne hektiske teknologiske udvikling er en klassisk og velfunderet metode blevet overset: *Rolling Horizon Planning*. Selvom denne tilgang har eksisteret i årtier og er en hjørnesten i operationsanalyse, viser nyere forskning, at den er en perfekt makker til moderne AI-værktøjer. Og ikke nok med det: Kombinationen kan endda gøre investeringer både mere energieffektive og sikre.

Rolling Horizon Planning: En undervurderet perle

Rolling Horizon Planning er en optimeringsmetode, hvor beslutninger tages iterativt med en fast horisont, som løbende opdateres i takt med, at nye informationer bliver tilgængelige. I modsætning til traditionelle statiske optimeringsmodeller tager Rolling Horizon højde for markedets dynamik ved kontinuerligt at rekalibrere strategien. Metoden har været udbredt inden for produktion, logistik og finansiel planlægning siden 1970'erne, men har fået minimal opmærksomhed i AI- og maskinlæringsbølgen.

Det er en fejl. For mens deep learning-modeller excellerer i at identificere mønstre og forudsige fremtidige prisbevægelser, mangler de ofte den strukturerede beslutningstagning, som Rolling Horizon Planning kan tilføje. Og her bliver det interessant: Ved at kombinere de to kan vi skabe et investeringsværktøj, der ikke blot er præcist, men også robust og energivenligt.

DTU-forskning: AI + Rolling Horizon giver grønnere investeringer

I mit speciale ved DTU har jeg undersøgt, hvordan en kombination af Long Short-Term Memory (LSTM) neurale netværk og Rolling Horizon Planning kan revolutionere ejendomsinvesteringer. Ved at bruge data fra det danske boligmarked siden 1993 har jeg udviklet en model, der optimerer køb, salg og ejerskab af ejendomme på en mere intelligent og strømvenlig måde end traditionelle AI-modeller.

Den store fordel ved denne hybridmodel er, at den reducerer behovet for konstant genberegning og massive datainputs, hvilket ikke blot sparer computerkraft, men også sikrer mere stabile og forståelige beslutninger. Hvor deep learning-modeller kan være notorisk sorte bokse, tilføjer Rolling Horizon et lag af gennemsigtighed, hvor man som investor kan se, hvorfor modellen tager de beslutninger, den gør.

AI uden gambling: Sikrere investeringer gennem struktureret beslutningstagning

En af de største bekymringer ved AI-drevet investering er den manglende evne til at forholde sig til usikkerhed og sjældne hændelser. Finanskriser, reguleringsændringer og pludselige chok i ejendomsmarkedet kan sende selv de bedste maskinlæringsmodeller i gulvet. Her udgør Rolling Horizon Planning et sikkerhedsnet, idet modellen altid planlægger inden for et veldefineret og realistisk beslutningsrum.

Ved at integrere denne metode i AI-drevet porteføljeoptimering har jeg vist, at investorer kan reducere risikoen for spekulative fejlbeslutninger, samtidig med at de udnytter AI's kraft til at identificere profitable mønstre i markedet. Resultatet? En investeringsstrategi, der ikke kun lover højere afkast, men også lavere risiko og mindre energiforbrug.

Fremtiden for AI i ejendomsmarkedet

AI's indtog i ejendomsmarkedet er uundgåeligt, men hvordan vi anvender teknologien, vil afgøre, om vi ender med smartere eller blot hurtigere beslutninger. Rolling Horizon Planning kan vise sig at være nøglen til at skabe AI-baserede investeringsmodeller, der er både mere forudsigelige, robuste og mindre ressourcekrævende. Det er på tide, at vi ikke kun jagter det nyeste inden for AI, men også genopdager de klassiske metoder, der kan løfte teknologien til et nyt niveau.

Læs hele Anders Berners speciale her.