Cookievoorkeuren

Wij gebruiken cookies om uw ervaring te verbeteren en onze diensten te optimaliseren. U kunt uw voorkeuren hieronder aanpassen.

Noodzakelijk voor de basisfunctionaliteit van de website

Helpt ons te begrijpen hoe bezoekers de website gebruiken

Gebruikt voor gepersonaliseerde advertenties en aanbiedingen

Pelun Mordas logo
Onbegeleid leren in financiën
Waarom een Amsterdams pensioenfonds 240 risicofactoren comprimeerde tot 8 componenten

Waarom een Amsterdams pensioenfonds 240 risicofactoren comprimeerde tot 8 componenten

07/03/25
334

Meer duidelijkheid door gecontroleerde vereenvoudiging

Risicomanagers bij ABP Investments worstelden met 240 factoren die hun obligatieportfolio beïnvloedden. Rentecurves, kredietspread, inflatie-indicatoren. Het was te veel om dagelijks te monitoren.

Ze implementeerden PCA in maart 2021. Het algoritme analyseerde correlaties tussen alle factoren en creëerde nieuwe componenten die de meeste variantie vingen.

Acht componenten verklaarden bijna alles

De eerste component vertegenwoordigde 41% van alle bewegingen en correleerde sterk met algemene rentewijzigingen. Component twee ving 18% en weerspiegelde kredietrisico. Componenten drie tot acht dekten sector-specifieke schokken.

Samen verklaren deze acht componenten 94% van alle portfolio-bewegingen. De overige 232 factoren droegen minder dan 6% bij aan variantie.

Complexiteit werd werkbaar

Voor introvert werkende analisten betekende dit minder overlegrondes. Ze konden risico uitleggen met acht grafieken in plaats van eindeloze spreadsheets. Besluitvormers begrepen de belangrijkste drivers zonder technische achtergrond.

Het team update de PCA elk kwartaal. Soms verschuiven componenten omdat marktdynamiek verandert. Component vijf verloor relevantie in 2022 toen energie-exposure afnam. Een nieuwe component kwam ervoor in plaats die inflatie-gerelateerde obligaties groepeerde.

Betrokkenheid
334

Aantal lezers dat dit artikel waardevol vond voor hun begrip van unsupervised learning methoden

Toepassingsgebied
Financiën

Ontdek hoe clustering-algoritmes en dimensiereductie patronen identificeren in transactiedata, kredietrisico's voorspellen zonder gelabelde datasets, en anomalieën detecteren in handelsstromen

Verdiep je kennis van machine learning

Bekijk het leerprogramma