क्वांटिटेटिव्ह फर्म AlphaGrep ने भारतीय बाजारात आपला पहिला म्युच्युअल फंड, AlphaGrep Multi Asset Allocation Fund (AGMAAF) लाँच केला आहे. हा फंड क्वांटिटेटिव्ह मॉडेल्स वापरून इक्विटी, डेट आणि कमोडिटीजमध्ये साप्ताहिक आधारावर गुंतवणूक करतो. कंपनीने बॅकटेस्टेड परिणामांवर जोर दिला असला तरी, सिम्युलेटेड कामगिरी भविष्यातील रिटर्नची हमी देत नाही.
काय घडले?
AlphaGrep, जी एक क्वांटिटेटिव्ह प्रोप्रायटरी ट्रेडिंग फर्म आहे, तिने भारतात आपला पहिला म्युच्युअल फंड, AlphaGrep Multi Asset Allocation Fund (AGMAAF) सादर केला आहे. या फंडाचा उद्देश फर्मच्या अल्गोरिथमिक, मॉडेल-आधारित ट्रेडिंग दृष्टिकोन सामान्य गुंतवणूकदारांपर्यंत पोहोचवणे आहे. पारंपारिक फंडांप्रमाणे जिथे फंड मॅनेजरच्या निर्णयांवर अवलंबून असते, तिथे हा फंड पोर्टफोलिओ व्यवस्थापित करण्यासाठी स्टॅटिस्टिकल मॉडेल्सचा वापर करेल. हा फंड 6 जुलै 2026 पासून गुंतवणुकीसाठी खुला झाला आहे.
क्वांटिटेटिव्ह स्ट्रॅटेजी कशी काम करते?
AGMAAF ची स्ट्रॅटेजी साप्ताहिक पुनर्संतुलनावर (Weekly Rebalancing) आधारित आहे. फंड मॅनेजर मॅन्युअली निर्णय घेण्याऐवजी, एक क्वांटिटेटिव्ह मॉडेल मालमत्ता वाटपाचे (Asset Allocation) निर्धारण करेल. हा फंड विविध मालमत्ता वर्गांमध्ये (Asset Classes) विभागलेला असेल: इक्विटी, फिक्स्ड इन्कम, सोने, चांदी, तांबे आणि क्रूड ऑइल. तसेच, रिअल इस्टेट इन्व्हेस्टमेंट ट्रस्ट (REITs) आणि इन्फ्रास्ट्रक्चर इन्व्हेस्टमेंट ट्रस्ट (InvITs) मध्ये गुंतवणूक करण्याचीही योजना आहे.
वाटप लवचिक असेल. इक्विटी आणि फिक्स्ड इन्कम प्रत्येकी 10% ते 60% पर्यंत असू शकते, तर कमोडिटीज पोर्टफोलिओचा 10% ते 40% भाग बनवू शकते. कंपनीनुसार, जून महिन्याच्या अखेरीस, मॉडेलने अंदाजे 34% इक्विटीमध्ये आणि 21% कमोडिटीजमध्ये वाटप केले होते, उर्वरित भाग फिक्स्ड इन्कममध्ये होता.
बॅकटेस्टिंगचे वास्तव
कंपनीने मॉडेलची क्षमता दर्शविण्यासाठी बॅकटेस्टेड डेटा शेअर केला आहे. सीईओ Bhautik Ambani यांनी नमूद केले की AGMAAF मॉडेलने 14% कंपाउंड वार्षिक वाढ दर (CAGR) अंदाजित केला आहे, ज्यामध्ये 7.5% वार्षिक अस्थिरता (Annualized Volatility) आणि 13% पीक ड्रॉडाउन (Peak Drawdown) आहे. तुलनेसाठी, कंपनीने 20 वर्षांसाठी 60% इक्विटी वाटपाचा संदर्भ दिला, ज्यातून 11-11.5% CAGR आणि 60% पीक ड्रॉडाउन मिळाल्याचे सांगितले.
गुंतवणूकदारांनी बॅकटेस्टेड परफॉर्मन्स आणि प्रत्यक्ष बाजारातील रिटर्नमधील फरक समजून घेणे महत्त्वाचे आहे. बॅकटेस्टिंग ऐतिहासिक डेटा वापरून एक स्ट्रॅटेजी कशी परफॉर्म करेल याचे अनुकरण करते. प्रत्यक्ष बाजारातील परिस्थिती, जसे की लिक्विडिटी समस्या, अचानक किमतींमधील चढ-उतार आणि एक्झिक्युशन खर्च, यामुळे प्रत्यक्ष रिटर्न ऐतिहासिक सिम्युलेशनपेक्षा लक्षणीयरीत्या वेगळे असू शकतात. भूतकाळातील कामगिरी - मग ती सिम्युलेटेड असो वा खरी - भविष्यातील निकालांची हमी देत नाही.
व्यावसायिक उद्दिष्ट्ये आणि वितरण
AlphaGrep चे पुढील तीन ते पाच वर्षांत ₹20,000 ते ₹30,000 कोटी मालमत्ता व्यवस्थापन (AUM) चे महत्वाकांक्षी लक्ष्य आहे. हे साध्य करण्यासाठी, कंपनी म्युच्युअल फंड वितरक (MFDs) आणि राष्ट्रीय वितरकांसोबत भागीदारी करण्याची योजना आखत आहे. ते आपल्या भागीदारांना AI-आधारित संशोधन साधनांनी (AI-based research tool) मदत करतील.
कंपनीला कॅटेगरी III अल्टरनेटिव्ह इन्व्हेस्टमेंट फंड (AIF) आणि पोर्टफोलिओ मॅनेजमेंट सर्व्हिस (PMS) व्यवस्थापित करण्याचा अनुभव आहे. कंपनीनुसार, त्यांच्या AIF लाँग-शॉर्ट स्ट्रॅटेजीने चार वर्षांत 13-13.5% ग्रॉस रिटर्न दिला आहे आणि त्यांच्या PMS ने मे 2026 पर्यंत तीन वर्षांत 17% पोस्ट-फी रिटर्न दिला आहे.
गुंतवणूकदारांनी काय लक्ष ठेवावे?
गुंतवणूकदारांसाठी, प्रत्यक्ष बाजारातील परिस्थितीत मॉडेल कसे काम करते हे पाहणे महत्त्वाचे ठरेल. अल्गोरिथमिक स्ट्रॅटेजींना अनेकदा 'मॉडेल रिस्क' (Model Risk) चा सामना करावा लागतो, जिथे ऐतिहासिक सिम्युलेशनमध्ये उत्तम काम करणारी स्ट्रॅटेजी बाजारातील बदलत्या गतिशीलतेमुळे संघर्ष करू शकते.
व्यवस्थापनाने नमूद केलेल्या 'वितरण आव्हाना'ला (Distribution Challenge) फंड कसा हाताळतो याचाही गुंतवणूकदारांनी मागोवा घ्यावा. मॉडेल-आधारित मल्टी-एसेट उत्पादनांबद्दल सामान्य गुंतवणूकदारांना शिक्षित करणे हे पारंपारिक योजना विकण्यापेक्षा वेगळे आहे. याव्यतिरिक्त, संभाव्य गुंतवणूकदारांनी केवळ अंदाजित बॅकटेस्टेड डेटावर अवलंबून न राहता, फंडाच्या बेंचमार्कच्या तुलनेत प्रत्यक्ष कामगिरीवर आणि बाजारपेठेतील घसरणी दरम्यान अस्थिरता व्यवस्थापित करण्याच्या क्षमतेवर सातत्याने लक्ष ठेवले पाहिजे.