Herding Bias and Its Impact on Long-Term Fund Performance: A Human vs. AI Comparison

The growing role of artificial intelligence in asset management (AI) has raised questions on how it compares to human fund managers, especially considering behavioral biases and their effect on fund performance. Herding bias is a well-studied topic in financial literature, however, its implications in comparison to AI-managed funds are yet to be explored. The objective of this thesis is to examine the herding bias and its impact on the long-term fund performance of human-managed funds compared to AI-managed funds. The main focus of the paper is to study whether human-managed funds exhibit herding behavior and whether such behavior affects their performance relative to AI-managed funds. The comparison focuses on U.S.-based fund categories from 01.01.2019 to 24.09.2024. The key method for detecting herding behavior among the funds during the whole sample period and the subperiods is the Cross-Sectional Absolute Deviation (CSAD) model, which estimates return dispersion relative to market movements. The empirical study uses daily fund-level returns on both human-managed and AI-managed funds. In addition to the whole sample period, the study examines four subperiods: the COVID-19 pandemic, the Russia-Ukraine war, the Silicon Valley Bank collapse, and the Israel-Gaza conflict. To com-pare performance between funds, mean return, cumulative return, and the Sharpe ratio are utilized. The two hypotheses are based on previous literature and address both the whole sample period and the subperiods. The findings of this thesis do not provide statistically significant herding behavior among the human-managed fund categories during the whole sample period or the subperiods. Despite the absence of herding, the fund performance metrics reveal that AI-managed funds offer stable risk-adjusted returns during the sample period. However, human-managed fund categories Growth and Balanced offer superior returns and risk-adjusted returns during most of the periods. These results indicate that the performance differ-ences are based more on the strategy and context than on herding behavior. When considering the results of the thesis as a whole, the evidence of herding behavior remains inconsistent with previous literature. However, the findings are consistent with the Efficient Market Hypothesis, which states that markets portray all available infor-mation. The varying performance differences highlight the relevance of fund strategies and introduce the fact that AI funds’ advantage lies in consistency. This thesis contributes to the limited body of research that directly compares behavioral biases and performance differences between human and AI-managed funds. The study highlights the importance of fund types, philosophies, and market conditions in forming outcomes. The results also pave the way for future research that utilizes updated measures for detecting herding and focuses on different markets and behavioral biases.

Tekoälyn kasvava rooli omaisuudenhoidossa on herättänyt kysymyksiä siitä, miten se ver-tautuu ihmisten hallinnoimiin rahastoihin, erityisesti käytöksellisten harhojen ja niiden vaikutuksien näkökulmasta. Laumakäyttäytyminen on laajalti tutkittu aihe rahoituskirjalli-suudessa, mutta sen vaikutuksia verrattaessa tekoälyn hallinnoimiin rahastoihin ei vielä ole tutkittu. Tämän pro-gradu tutkielman tavoitteena on tutkia laumakäyttäytymisen esiinty-mistä ja sen vaikutusta ihmisjohtoisesti hallinnoitujen rahastojen pitkän aikavälin tuottoon verrattuna tekoälypohjaisiin rahastoihin. Tutkimuksen pääpaino on selvittää, esiintyykö ihmisjohtoisissa rahastoissa laumakäyttäytymistä ja heikentääkö tämä mahdollisesti niiden suhteellista tuottavuutta verrattuna AI-rahastoihin. Vertailun kohteena ovat Yhdysvalloissa toimivat rahastokategoriat ajanjaksolla 1.1.2019–24.9.2024. Keskeisenä menetelmänä laumakäyttäytymisen tunnistamisessa käytetään Cross-Sectional Absolute Deviation (CSAD) -mallia, joka mittaa tuottojen hajontaa suhteessa markkinaliik-keisiin. Empiirisessä tutkimuksessa käytetään päivätason rahastotuottoja sekä ihmisen että tekoälyn hallinnoimista rahastoista. Koko otosjakson lisäksi tutkimuksessa tarkastellaan neljää osajaksoa: COVID-19-pandemiaa, Venäjä–Ukraina-sotaa, Silicon Valley Bankin romah-dusta ja Israel–Gaza-konfliktia. Rahastojen tuottavuuden vertailussa käytetään keskimää-räistä tuottoa, kumulatiivista tuottoa sekä Sharpen lukua. Tutkielman kaksi hypoteesia poh-jautuvat aiempaan kirjallisuuteen ja käsittelevät sekä koko otosjaksoa että osajaksoja. Tutkimuksen tulokset eivät osoita tilastollisesti merkittävää laumakäyttäytymistä ihmisjoh-toisissa rahastoissa koko otosjakson tai osajaksojen aikana. Laumakäyttäytymisen puuttumi-sesta huolimatta tuottolukujen tarkastelu osoittaa, että tekoälyrahastot tarjoavat vakaam-pia riskikorjattuja tuottoja tarkastelujakson aikana. Kuitenkin ihmisjohtoiset Kasvu- ja Tasa-painotettu-rahastot saivat parempia kokonaistuottoja ja riskikorjattuja tuottoja useimmissa tarkastelluissa jaksoissa. Tulokset viittaavat siihen, että tuottoerot perustuvat enemmänkin rahaston strategiaan ja markkinatilanteeseen kuin laumakäyttäytymiseen. Tarkasteltaessa tutkielman tuloksia kokonaisuutena, laumakäyttäytymisen empiiriset todis-teet ovat ristiriidassa aiemman kirjallisuuden kanssa. Tulokset ovat kuitenkin linjassa te-hokkaiden markkinoiden hypoteesin kanssa, jonka mukaan markkinahinnat heijastavat kaikkea saatavilla olevaa informaatiota. Rahastojen vaihtelevat tuottoprofiilit korostavat strategioiden merkitystä ja osoittavat, että tekoälyrahastojen etu piilee johdonmukaisuu-dessa. Tutkielma täydentää harvalukuista tutkimuskenttää, joka vertailisi suoraan käytöksel-lisiä harhoja ja tuottoeroja ihmis- ja tekoälypohjaisten rahastojen välillä. Tämä tutkimus korostaa rahastotyyppien, sijoitusfilosofioiden ja markkinatilanteiden merkitystä lopputu-loksiin. Tutkielma luo myös pohjaa jatkotutkimukselle, joka voisi hyödyntää kehittyneem-piä metodeja laumakäyttäytymisen tunnistamiseksi sekä keskittyisi eri markkinoihin ja käy-töksellisiin harhoihin.