Je belt je vermogensbeheerder met een simpele vraag: waarom is er vorige week een positie bijgekocht die twee weken eerder nog werd afgewezen? Het antwoord dat je krijgt is vriendelijk, maar vaag. “De marktomstandigheden zijn veranderd” en “ons team heeft dit zorgvuldig gewogen.” Precies hoe dat weegproces eruitziet, blijft onduidelijk. Bij Fintessa Vermogensbeheer werkt dat anders: beleggingsbeslissingen zijn er niet het resultaat van een onderbuikgevoel of een vergadering zonder notulen, maar van algoritmes en data die stap voor stap te volgen zijn.
Het verschil tussen buikgevoel en een kwantitatief fundament
Veel vermogensbeheerders zeggen dat ze “op basis van onderzoek” beleggen. In de praktijk betekent dat vaak: een analistencommissie bespreekt elke week de markten, iemand heeft een sterke mening over de eurozone, en uiteindelijk weegt de meest overtuigende stem het zwaarst. Dat is discretionair beheer, en het grootste risico is dat je als belegger sterk afhankelijk bent van de kwaliteit en het humeur van een klein team op een willekeurige dag.
Fintessa kiest bewust voor een andere route. De kern van hun werkwijze is kwantitatief: beslissingen komen voort uit modellen die grote hoeveelheden data systematisch analyseren. Dat wil niet zeggen dat er geen mensen aan te pas komen, maar het betekent wel dat een analist niet zomaar op een goed gevoel kan afwijken van wat het model aangeeft.
Het databouwwerk: wat er als input binnenkomt
Voordat er ook maar één beleggingsbeslissing wordt genomen, moet er eerst betrouwbare data zijn. Fintessa werkt met drie hoofdstromen.
Ten eerste macro-economische indicatoren: denk aan rentecurves, inflatieontwikkelingen, werkloosheidscijfers en PMI-data uit verschillende regio’s. Ten tweede marktmicrostructuurdata: informatie over handelsvolumes, bied-laat spreads en liquiditeit van individuele effecten. Ten derde factordata: historische en actuele informatie over factoren zoals waarde (value), momentum en kwaliteit van ondernemingen.
Maar ruwe data is nog geen bruikbare input. Elk datapunt wordt eerst opgeschoond. Uitschieters worden gecorrigeerd, ontbrekende waarden worden op een consistente manier aangevuld of gefilterd, en tijdreeksen worden gestandaardiseerd zodat appels met appels worden vergeleken. Pas daarna mag een model ernaar kijken. Deze stap klinkt technisch en saai, maar is in de praktijk cruciaal: modellen die werken met vervuilde data produceren ruis in plaats van signaal.
Van data naar signaal: hoe factorbeleggen werkt in de praktijk
Als de data klopt, gaan de modellen aan het werk. Ze zoeken naar patronen die statistisch robuust zijn en een economische verklaring hebben. Fintessa maakt gebruik van factorbeleggen, een aanpak die wetenschappelijk goed onderbouwd is. De drie factoren die centraal staan zijn waarde, momentum en kwaliteit.
Waarde betekent simpelweg: aandelen die goedkoop zijn ten opzichte van hun fundamentele waarde hebben op lange termijn de neiging beter te presteren dan de markt. Momentum houdt in dat effecten die de afgelopen maanden goed presteerden, dat doorgaans ook nog een tijdje blijven doen. Kwaliteit ten slotte kijkt naar ondernemingen met sterke balansen, stabiele winstgevendheid en lage schulden.
Neem een concreet voorbeeld. Een Europees industriebedrijf heeft een lage koers-winstverhouding (waarde), een stijgende koers over de afgelopen zes maanden (momentum) en een robuuste cashflow met weinig schuld (kwaliteit). Alle drie de factoren scoren positief. Het model genereert een koopsignaal. Scoren twee van de drie factoren negatief, dan blijft het bedrijf buiten de portefeuille, ongeacht wat een analist er persoonlijk van vindt.
De menselijke laag: waar portfolio managers wel degelijk ingrijpen
Een volledig geautomatiseerd systeem klinkt aantrekkelijk, maar heeft ook blinde vlekken. Modellen zijn getraind op historische data en kunnen niet altijd omgaan met plotselinge, unieke gebeurtenissen. Denk aan een plotseling geopolitiek conflict dat een hele sector raakt, of een regelgevingswijziging die de waardering van een bedrijfstak op zijn kop zet.
Fintessa heeft daarom een menselijke laag bovenop het model gebouwd. Portfolio managers kunnen in uitzonderingssituaties ingrijpen, maar dat ingrijpen is geformaliseerd. Er gelden expliciete criteria voor wanneer een afwijking van het modelsignaal is toegestaan. Zo wordt voorkomen dat “de markt voelt anders vandaag” een geldig argument wordt. Het verschil met klassiek discretionair beheer is fundamenteel: bij Fintessa is de mens een bewaker van het systeem, niet de beslisser die af en toe een model raadpleegt.
Hoe het risicomodel werkt: voor uitvoering, niet achteraf
Veel beleggers denken aan risicobeheer als iets wat je doet als het misgaat. Fintessa draait dat om. Voordat een transactie wordt uitgevoerd, toetst een risicomodel de portefeuille op drie dingen: correlaties tussen posities, volatiliteitsbudgetten en concentratierisico.
Correlaties laten zien of posities die op papier divers lijken, in werkelijkheid toch dezelfde kant op bewegen als de markt onder druk staat. Een portefeuille met twintig aandelen in vijf sectoren kan in een crisismaand ineens gedragen worden door één gemeenschappelijke factor. Het volatiliteitsbudget bepaalt hoeveel risico een portefeuille als geheel mag dragen. Overschrijdt een nieuwe positie dat budget, dan gaat ze er simpelweg niet in, hoe aantrekkelijk het signaal ook is.
Dit vooraf toetsen is een van de meest onderschatte krachten van een systematische aanpak. Klassieke vermogensbeheerders evalueren risico vaak achteraf, als de schade al geleden is.
Risicoprofielen als modelparameter: offensief is meer dan “meer aandelen”
Wanneer je als klant kiest voor een defensief of offensief profiel, denken de meeste mensen aan een simpele schuifregelaar: meer obligaties voor defensief, meer aandelen voor offensief. Bij Fintessa werkt het anders.
Een risicoprofiel is een modelparameter die de configuratie van het gehele systeem beïnvloedt. Een offensief profiel accepteert niet alleen een hogere gewichtsweging in risicovolle activa, maar ook een ruimer volatiliteitsbudget, een ander acceptabel correlatieniveau en soms een andere factorweging. Een defensief profiel legt meer nadruk op de kwaliteitsfactor en stelt strengere limieten aan volatiliteit en staartrisico’s. Het zijn in feite twee verschillende modellen, niet één model met een andere schuifregelaar.
Transparantie als bijproduct van systematiek
Een vaak onderschat voordeel van een datagedreven aanpak is transparantie. Als een klant vraagt waarom een positie is afgebouwd, is het antwoord concreet: de momentumscore daalde onder de drempelwaarde, tegelijk verslechterde de kwaliteitsscore door een stijging van de schuldenlast. Er is geen vage verwijzing naar “gewijzigde marktomstandigheden” of “de commissie heeft de visie bijgesteld.”
Dat maakt het voor klanten makkelijker om te beoordelen of de beheerder doet wat hij zegt te doen. Niet omdat er een vertrouwensband is met een relatiebeheerder, maar omdat het proces controleerbaar is. Voor een ondernemer die gewend is om KPI’s en dashboards te gebruiken in zijn bedrijf, is dat een prettig herkenbare manier van werken.
Wat de Fintessa Vermogensbeheer aanpak structureel anders maakt
Bij klassieke private banks draait het besluitvormingsproces doorgaans om een huisvisie die door een analistenteam wordt opgesteld en vertaald naar aanbevelingen. Dat systeem heeft voordelen: ervaren mensen met diep sectorkennis kunnen nuance aanbrengen die een model mist. Maar het heeft ook structurele zwakheden.
Groepsdenken ligt op de loer. Consistentie is moeilijk te garanderen als er wisselingen zijn in het team. En de redenering achter een beslissing verdwijnt soms met de analist die hem nam. De Fintessa Vermogensbeheer aanpak elimineert die afhankelijkheid van individuen. Het model verandert niet van humeur, vergeet niet wat het de vorige keer heeft besloten en behandelt een Nederlands aandeel met dezelfde meetlat als een Aziatisch aandeel.
Dat betekent niet dat Fintessa perfect is. Geen enkel model is dat. Maar het betekent wel dat fouten systematisch zijn, en systematische fouten zijn traceerbaar en herstelbaar. Dat is een groot verschil met fouten die voortkomen uit instinct.
De vraag of een vermogensbeheerder zijn beslissingen kan uitleggen, is geen detail. Het is het verschil tussen een proces dat je kunt beoordelen en een dat je moet vertrouwen op goed geluk. Dit speelt juist in op het bredere vraagstuk van wanneer professioneel vermogensbeheer lonend is. Fintessa bouwt dat proces op meetbare factoren, gestructureerde data en risicomodellen die vooraf worden getoetst. Dat maakt de aanpak navolgbaar, ook als het rendement tegenvalt. Geen garanties, maar wel een logica die je als belegger zelf kunt doorgronden.
