Een recent wetenschappelijk onderzoek naar de inzet van multi-agent AI-systemen voor aandelenanalyse concludeert dat het hergebruiken van bestaande analyses vaak rendabeler is op korte termijn, maar dat volledige updates essentieel zijn voor langetermijnprestaties.
De centrale vraag in het onderzoek van Russlan Ramdowar is of de kosten van een nieuwe AI-onderzoeksronde opwegen tegen het rendement van het kapitaal dat anders belegd zou blijven. In de studie, gepubliceerd op arxiv.org, werden 8.120 rapporten van het iPulse AI-systeem geanalyseerd. Deze rapporten besloegen 203 verschillende aandelen over vier productierondes en verbruikten in totaal bijna 100 miljoen tokens voor output en redenering.
De afweging tussen hergebruik en nieuwe analyse
Het onderzoek vergeleek verschillende strategieën voor het bijwerken van koersdoelen: het simpelweg herberekenen van oude doelen (met en zonder beveiliging tegen extreme schokken), het mechanisch resetten van groeipaden en het genereren van volledig nieuwe rapporten via multi-agent systemen.
Voor de economische toetsing werd een portefeuille van de top 10 aandelen op basis van eenjarige voorspellingen gebruikt, met een rekeningwaarde van 300.000 USD. Hierbij werd rekening gehouden met transactiekosten van 10 basispunten en een vast bedrag van 3.000 USD voor het uitvoeren van nieuw onderzoek.
De resultaten laten een duidelijk contrast zien op basis van de tijdsperiode:
* Korte termijn: In korte vensters presteerde het 'beveiligde hergebruik' van oude analyses met een gemiddeld rendement van 2,25%, wat beter was dan de SPY-index (1,66%). Hoewel volledig nieuwe rapporten nog hoger scoorden (4,24%), bleek hergebruik effectief.
* Lange termijn: Wanneer de holdingperiode werd verlengd naar 176 dagen, draaide de situatie om. Beveiligd hergebruik leverde toen een negatief rendement op van -11,26%, terwijl nieuwe rapporten een positief rendement van +8,55% behaalden en de SPY +3,46% scoorde.
De paradox van statistische nauwkeurigheid
Een opvallende bevinding in de studie is de "nauwkeurigheid-selectieparadox". Uit diagnostiek van kwartaalvoorspellingen bleek dat het mechanisch resetten van oude groeipaden het gat in de gemiddelde absolute fout (MAE) ten opzichte van nieuwe rapporten voor 98% wist te dichten. Ondanks deze statistische gelijkenis was de praktische uitkomst totaal anders: de top 10-lijsten van 'nieuwe' versus 'geresette' analyses deelden slechts één tot vier aandelen.
Dit suggereert dat statistische nauwkeurigheid niet direct vertaalt naar de juiste selectie van topaandelen, wat de noodzaak voor periodieke, diepgaande AI-verversingen onderstreept.
Kosten en implementatie in 2026
Naast academisch onderzoek is er in de markt een breed scala aan AI-tools beschikbaar voor beleggers. Volgens een analyse van prospero.ai variëren de kosten voor AI-onderzoek in 2026 sterk: van gratis basisdiensten tot institutionele terminals die tot 32.000 USD per jaar kosten. De effectiviteit van deze tools hangt volgens dit platform af van het vermogen van de gebruiker om AI als hulpmiddel te gebruiken in plaats van als vervanging voor eigen oordeel.
Andere marktbenaderingen benadrukken de beperkingen van enkelvoudige modellen. alphavue.ai stelt dat single-AI modellen vaak tekortschieten en dat multi-agent systemen, waarbij verschillende agenten zich richten op specifieke dimensies zoals fundamenten, waardering en sentiment, betere beslissingen mogelijk maken. Daarnaast waarschuwt marketxls.com dat AI-modellen zoals ChatGPT nuttig zijn als framework, maar onbetrouwbaar als primaire databron omdat koersen en ratio's verouderd kunnen zijn.
Conclusie voor de praktijk
Het onderzoek van Ramdowar, dat ook is gedeeld via arxivlens.com, stelt een drielaags architectuur voor om budgetten optimaal te beheren:
1. Continue monitoring van prijzen.
2. Episodische herbouw van de investeringsthese.
3. Bewijsgebaseerde redactionele controles.
De praktische aanbeveling is een "reuse-first" strategie, waarbij volledig nieuwe AI-analyses pas worden getriggerd wanneer er specifiek bewijs is dat de huidige thesis is verouderd.