Studerende skaber smart værktøj til grønnere investeringer

For at komme i mål med den grønne omstilling er det altafgørende, at der investeres i grønne projekter og virksomheder, som vil afhjælpe klimaproblemer.

Men svaret fra fonde og investeringsforeninger er ofte, at de gerne ville investere mere bæredygtigt, men at de samtidig bliver bremset af krav om afkast til deres ejere og medlemmer. En ny software udviklet på DIKU (Datalogisk Institut, Københavns Universitet) fjerner nu denne modsætning.

”Som investor starter man med at vælge det minimum af afkast og det minimum af bæredygtighed, man ønsker for sin investering. Værktøjet kan derefter vise, hvordan man opnår begge dele med den mindst mulige risiko,” siger Kasper Unn Weihe, kandidat i datalogi. Han udviklede metoden som en del af sit speciale.

Metoden fjerner selvfølgelig ikke risikoen ved at investere, men sørger for, at man kan tage hensyn til sit afkast samt klima og social ansvarlighed uden at løbe en større risiko end højest nødvendigt.

Ny måde at bruge computerens grafikkort på

Kasper Unn Weihes innovative investeringsværktøj bygger videre på den amerikanske matematiker Harry Markowitz’ arbejde fra 1950’erne med at optimere investeringer. Amerikaneren opfandt en model, der gjorde det muligt at balancere afkast med risiko, når man investerer i aktier. Området kaldes i fagkredse portefølje-optimering.

Men i stedet for kun at regne på hvor meget man kan tjene på sine aktier og hvor stor en risiko, man løber, tager det nye investeringsværktøj også højde for hvor bæredygtige aktierne er.

”Når man ikke kun interesserer sig for forventet afkast i forhold til risiko, men også gerne vil investere bæredygtigt, skal man arbejde i tre dimensioner i stedet for to. Det mangedobler regnearbejdet. Derfor har det været nødvendigt at udvikle ny software,” forklarer Kasper Unn Weihe og tilføjer:

”Det nye er, at jeg har udviklet en software, der gør det muligt at bruge grafikkortet i en computer til at lave regnearbejdet.”

Grafikkort er nyttige, fordi de kan udføre mange operationer parallelt. Det gør dem attraktive til at løse opgaver, der kan opdeles i mindre, uafhængige dele. For eksempel anvendes grafikkort i computergrafik til at gengive 3D-modeller ved at opdele dem i tusindvis af små trekanter. Det nye investeringsværktøj bygger på en tilsvarende opdeling af regnearbejdet i mange små dele.

Også den private investor kan være med

Det er ikke nødvendigt at have adgang til en ekstremt stærk computer for at bruge metoden, understreger Kasper Unn Weihe:

”Mange moderne computere har et tilstrækkelig godt grafikkort. Ellers kan man købe et for 1.500- 3.000 kr.”

Med andre ord vil de fleste have mulighed for at være med:

”Metoden er udviklet med tanke på fonde og andre professionelle, der forvalter investeringer, men jeg vil da blive glad, hvis den også bliver taget i brug af private. Jo flere, der gør sig overvejelser om miljø og social ansvarlighed, jo bedre.”

Den software, som Kasper Unn Weihe har udviklet, bygger på programmeringssproget Futhark, som er udviklet på DIKU.

”Det har været fantastisk at se, hvordan DIKU’s grundlæggende forskning i programmeringssprog har fundet anvendelse inden for balancering af bæredygtighed og afkast af investeringer,” siger Martin Elsman, professor på DIKU.

15 studerende har projekter i gang

Ud over Kasper Unn Weihes projekt har ideerne på det seneste affødt ni bachelor-projekter på datalogi-økonomi uddannelsen.

”Kombinationen af datalogi og økonomisk teori har sammen med ønsket om en mere bæredygtig verden været en drivfaktor for de 15 studerende, som har valgt at skrive projektopgaver om emnet,” siger Martin Elsman.

Virksomhederne FinE og Optimal Invest Fondsmæglerselskab A/S har været med til at inspirere de studerende. Virksomhederne har blandt andet bidraget med de datasæt for bæredygtighed, som ligger til grund for beregningerne. Projekterne har modtaget støtte fra Copenhagen Fintech.

Kasper Unn Weihes speciale ”Convex Optimization and Parallel Computing for Portfolio Optimization” kan læses her: https://futhark-lang.org/student-projects/kasper-msc-thesis.pdf