Portfoliomanagement: Wie KI moderne Anlagestrategien verändert

Der Aufstieg der KI hat offensichtlich verschiedene Branchen beeinflusst, und die Finanzbranche gehört zu den Branchen, die am stärksten betroffen sind . So hat beispielsweise die öffentliche Einführung von Modellen wie GPT-3.5 im letzten Jahr das Interesse an der Nutzung von KI erhöht, um die Fähigkeiten von Fondsmanagern in den Bereichen Analyse, Risikomanagement und Entscheidungsfindung zu verbessern.

Daher werden KI-Tools eingesetzt, um Markteinschätzungen genauer zu machen und Risiken effektiver zu managen. Von Portfoliomanagern wird erwartet, dass sie die Marktbewegungen klarer einschätzen, geeignete Anlageentscheidungen eingrenzen und Risiken managen, wenn sie bei ihrem Handel Algorithmen für maschinelles Lernen, natürliche Sprachverarbeitung und Tools für künstliche Intelligenz anwenden.

Die Integration von Algorithmen des maschinellen Lernens sowie Tools zur Verarbeitung natürlicher Sprache in die Handelsstrategien wichtiger Akteure hilft ihnen, die Effizienz dieser Prozesse zu steigern und sich durch schnellere und präzisere Anlageentscheidungen und prädiktive Analysen einen Wettbewerbsvorteil zu verschaffen.

In den letzten Jahrzehnten wurde KI in verschiedenen Bereichen der Finanzbranche implementiert. Im Backoffice werden ML-Algorithmen verwendet, um Anomalien in Ausführungsprotokollen zu finden, verdächtige Transaktionen zu erkennen und Risiken zu managen, was zu mehr Effizienz und Sicherheit führt. Im Frontoffice hilft KI dabei, Kunden zu segmentieren, Kundensupportprozesse zu automatisieren und die Preisgestaltung von Derivaten zu optimieren.

Am spannendsten sind jedoch die KI-Fähigkeiten für die Buy-Side im Finanzbereich: Sie identifizieren prädiktive Signale im Marktrauschen, indem sie große Datenmengen so schnell wie möglich analysieren. Solche Anwendungen könnten beispielsweise Zeitreihenprognosen, die Segmentierung von Märkten und natürlich die Verwaltung von Vermögensportfolios umfassen. Die Möglichkeiten der KI, riesige Datensätze zu verarbeiten und zu analysieren, helfen dabei, subtile Muster zu erkennen, die mit herkömmlichen Methoden wahrscheinlich nicht erkannt werden.

Portfoliooptimierung ist seit mehreren Jahrzehnten gängige Praxis und hat sich im Zuge der Entwicklung der Datenwissenschaft und der Implementierung moderner Computertechniken erheblich weiterentwickelt. Klassische Ansätze wie Markowitz‘ Moderne Portfoliotheorie (1952) und das Capital Asset Pricing Model (1964) wurden vor mehr als 50 Jahren eingeführt, sind aber nach wie vor relevant. Ihre Einschränkungen im Umgang mit nichtlinearen Risiken und ihre Abhängigkeit von historischen Daten werden jedoch von Tag zu Tag offensichtlicher.

Praktiken wie Risikomodellierung, Szenarioanalyse und Quant-Trading, die von wichtigen Akteuren wie Renaissance Technologies, DE Shaw und Two Sigma Investments in großem Umfang eingesetzt werden, haben zur Implementierung komplexerer und fortschrittlicherer Algorithmen geführt. Darüber hinaus wurde die Branche in den letzten Jahren stark von KI beeinflusst, da maschinelles Lernen und künstliche Intelligenz prädiktive Analysen präziser gemacht haben, was auch für personalisierte Anlagestrategien und automatisierte komplexe Entscheidungsprozesse gilt.

Diese KI-gesteuerte Transformation hat es Portfoliomanagern ermöglicht, riesige Datenmengen in Echtzeit zu verarbeiten und die drei wichtigsten Herausforderungen zu lösen:

• Skalierbarkeit: Die Verwaltung und Analyse großer Datenmengen aus mehreren Vermögenswerten und globalen Märkten ist jetzt einfacher.

• Komplexe Entscheidungsfindung: KI kann bei Entscheidungsprozessen mehr Faktoren „berücksichtigen“, darunter psychologische und verhaltensbezogene Analysen.

• Anpassungsfähigkeit: KI-Systeme können kontinuierlich lernen und sich an neue Marktbedingungen anpassen, was Managern hilft, Strategien schnell anzupassen.

Entsprechend Globale Markteinblicke , KI im Asset-Management-Markt wurde auf 2,5 Milliarden USD geschätzt und soll in den nächsten 10 Jahren mit einer durchschnittlichen jährlichen Wachstumsrate von 24 % wachsen. Interessanterweise ist die Portfoliooptimierung führend in der globalen Marktsegmentierung nach Anwendung, gefolgt von der Datenanalyse, die 25 % Marktanteil .

Zunehmende Akzeptanz und Investitionen in KI-gestützte Asset-Management-Lösungen und Hervorhebung des praktischen Nutzens von KI bei der Portfoliooptimierung.

Einführung von KI im Portfoliomanagement:

Der Einsatz von KI in der Vermögensverwaltungsbranche ist kein neuer Trend. Er hat in den letzten Jahren zugenommen, ist aber immer noch auf eine kleine Zahl von Marktteilnehmern beschränkt, nämlich Hedgefonds, quantitative Managementbüros, große Forschungsabteilungen und Finanzinstitute, die IT-Dienste nutzen.

Es gibt bereits viele Anwendungsgebiete für KI:

Portfolio-Optimierung

KI verbessert den Prozess der Portfoliokonstruktionsoptimierung erheblich. So dient beispielsweise der klassische Ansatz der Modernen Portfoliotheorie von Markowitz, der auf konvexen Optimierungskonzepten beruht, als Vorläufer moderner KI-gestützter Methoden. Der Grund, warum diese grundlegende Theorie so wichtig ist, liegt darin, dass sie die Basis bildet, auf der KI-Algorithmen Anlagestrategien weiter verändern und verfeinern können.

Heutzutage erweitert die KI diese Theorie, indem sie neue Datendimensionen erforscht und fortschrittliche Analysetechniken integriert. Diese erweiterten Datenfunktionen ermöglichen differenziertere und fundiertere Entscheidungen – eine Praxis, die in der Branche weit verbreitet ist.

Fundamentalanalyse

Bestimmte KI-Techniken sind perfekt mit dem quantitativen Management kompatibel, da sie große Datenmengen über Unternehmensgrundlagen, das makroökonomische Umfeld oder die Marktbedingungen nutzen. Algorithmen des maschinellen Lernens können komplexe nichtlineare Beziehungen zwischen verschiedenen Variablen finden und natürlich Trends erkennen, die Analysten nicht erkennen können.

Textanalyse

Die Textanalyse ist eine weitere Anwendung der KI in der Fundamentalanalyse. Mithilfe der Verarbeitung natürlicher Sprache (NLP) verarbeitet und analysiert die KI Textquellen wie Unternehmensgewinnberichte, Pressemitteilungen der Zentralbanken und Finanznachrichten. Durch NLP kann die KI aus diesen unstrukturierten Daten wirtschaftlich und finanziell wichtige Informationen extrahieren. Auf diese Weise bietet sie eine quantitative und systematische Messgröße, die menschliche Interpretationen verbessert und unterstützt.

Handelsaktivitäten

Die Fähigkeiten der KI sind im Handel äußerst nützlich, da hier die Komplexität der Transaktionen und der Bedarf an Geschwindigkeit im Gleichgewicht stehen. KI unterstützt den algorithmischen Handel, indem sie viele Prozessschritte automatisiert und so die Effizienz der auf den Finanzmärkten abgewickelten Transaktionen verbessert.

Anlageberatung

KI hat die Möglichkeit eröffnet, ein breiteres Angebot an personalisierten Anlageberatungsdiensten zu geringeren Kosten anzubieten. Diese Systeme verwenden komplexe Algorithmen, um Marktdaten in Echtzeit zu verarbeiten und basierend auf den Renditezielen und Risikoprofilen der Kunden die am besten geeigneten Strategien für ihre individuellen Bedürfnisse zu entwickeln.

Risikomanagement

Beim Risikomanagement unterstützt KI durch die Modellierung verschiedener „wahrscheinlicher, aber unerwünschter“ Szenarien, die wiederum traditionelle Praktiken verbessern, die sich nur auf überwiegend wahrscheinliche Ergebnisse konzentrieren.

Techniken und Werkzeuge der künstlichen Intelligenz (KI) im Portfoliomanagement

Algorithmen für maschinelles Lernen:

Klassische Methoden des maschinellen Lernens erfreuen sich im Portfoliomanagement nach wie vor großer Beliebtheit. Dazu zählen: Lineare Modelle, darunter Kleinste Quadrate, Ridge-Regression und Lasso-Regression. Diese werden häufig mit dem Mittelwert-Varianz-Optimierungsverfahren und Matrixzerlegungstechniken wie Singulärwertzerlegung (SVD) und Hauptkomponentenanalyse (PCA) kombiniert, die für das Verständnis von Vermögensbeziehungen und die Optimierung der Portfolioallokation grundlegend sind.

Zwischen diesen klassischen Ansätzen und moderneren Methoden liegen Support Vector Machines (SVMs). Obwohl SVMs in der Praxis verwendet werden, sind sie nicht so häufig im Einsatz, spielen aber insbesondere bei Klassifizierungsaufgaben zur Prognose der Aktienperformance eine wichtige Rolle.

Zu diesen Aufgaben gehört normalerweise die Vorhersage, ob eine Aktie Gewinn oder Verlust erwirtschaften wird. Dabei werden historische Finanzdaten wie Aktienkursschwankungen und Handelsvolumen herangezogen, um Vermögenswerte in Kategorien einzuteilen und ihre Performance vorherzusagen.

Was modernere Methoden betrifft, so stellen neuronale Netze große Fortschritte im Bereich des maschinellen Lernens für das Portfoliomanagement dar und bieten verbesserte Möglichkeiten zur Modellierung komplexer nichtlinearer Muster, die mit herkömmlichen Modellen nur schwer zu erfassen sind. Neben neuronalen Netzen verbessern und verfeinern auch andere klassische Ansätze wie überwachtes und unüberwachtes Lernen die Datenanalyse weiter und ermöglichen die Entdeckung und Nutzung subtiler Marktsignale.

Neuere Ansätze wie Reinforcement Learning und Deep Q-Learning bringen diese Qualitäten in schnelllebige Entscheidungsumgebungen, in denen Portfolios in Echtzeit angepasst werden können, um die finanziellen Ergebnisse basierend auf dem Systemlernen aus Marktfeedback zu optimieren.

Verarbeitung natürlicher Sprache (NLP):

Techniken der natürlichen Sprachverarbeitung wie die Stimmungsanalyse können dabei helfen, allgemeine Meinungen aus Zeitungsartikeln, Social-Media-Posts und Analystenberichten herauszufiltern. Darüber hinaus können Portfoliomanager auch die in Finanzmedien verwendete Sprache analysieren, einschließlich der Gewinnberichte von Unternehmen, um die Stimmung der Anleger zu ergründen und Marktbewegungen vorherzusagen. All dies sind wichtige Informationen im Entscheidungsprozess.

Quantitative Handelsstrategien:

Firmen, die sich auf Hochfrequenzhandel (HFT) spezialisiert haben, wie etwa solche, die KI-gestützte quantitative Handelsalgorithmen einsetzen, verdienen Geld mit Ineffizienzen, die nur für einen Moment auf dem Markt auftreten. Diese Firmen nutzen Technologien des maschinellen Lernens, um relevante Marktinformationen mit extrem hoher Geschwindigkeit zu analysieren und Aufträge mit einer Präzision von nur einer Millisekunde zu erteilen.

Eine derart schnelle Ausführung ermöglicht es ihnen, von Arbitragemöglichkeiten zu profitieren und ihre Gewinne zu maximieren, indem sie schneller als ihre Konkurrenten auf Preisunterschiede reagieren. Renaissance Technologies ist zwar für seine quantitativen Handelsansätze bekannt, es ist jedoch wichtig, seine umfassendere Strategie im Auge zu behalten, die andere Halteperioden umfasst als traditionelle HFT-Praktiken, bei denen es hauptsächlich um Geschwindigkeit geht.

Erklärbare KI (XAI):

LIME (Local Interpretable Model-agnostic Explanations) ist eine bekannte XAI-Methode, die verwendet wird, um die Ergebnisse komplexer Modelle des maschinellen Lernens verständlicher zu machen. Im Portfoliomanagement kann diese Methode sehr wertvoll sein, um zu interpretieren, wie Black-Box-Modelle Vorhersagen treffen. Durch die Verwendung von Eingabedaten und die Analyse der Auswirkungen auf die Modellergebnisse hilft LIME Portfoliomanagern und Datenwissenschaftlern dabei, zu definieren, welche Merkmale Anlageentscheidungen stärker beeinflussen als andere.

Dieser Prozess trägt dazu bei, die Transparenz von KI-gestützten Entscheidungen zu verbessern und unterstützt die Bemühungen, die Verständlichkeit dieser Modelle zu überprüfen und zu verbessern. Während LIME unser Verständnis des Modellverhaltens verbessert, sind für die Bewertung der allgemeinen Zuverlässigkeit der Modelle zusätzliche Validierungstechniken erforderlich.

KI in Compliance und Monitoring:

KI-Technologie spielt eine wichtige Rolle bei der Einhaltung gesetzlicher Rahmenbedingungen und der Überwachung von Investitionsbeschränkungen in der Finanzbranche. Durch die Automatisierung dieser Prozesse helfen KI-Systeme Finanzunternehmen, sich effizienter und genauer an gesetzliche Standards zu halten und nicht in Schwierigkeiten zu geraten. Diese Technologie ist sehr wertvoll bei der Überwachung der Compliance bei großen Transaktionsvolumina und vielfältigen Portfolioaktivitäten, wo sie Abweichungen von gesetzlichen Anforderungen oder internen Richtlinien schnell (tatsächlich sogar sofort) erkennen kann.

Darüber hinaus wird durch den Einsatz von KI das Risiko menschlicher Fehler minimiert, was in einem Umfeld mit hohen regulatorischen Anforderungen von entscheidender Bedeutung ist, da Fehler rechtliche und finanzielle Konsequenzen nach sich ziehen können.

Neugewichtung des Portfolios:

KI-Anwendungen für das automatisierte Rebalancing sind entscheidend, um im Laufe der Zeit die ideale Vermögensaufteilung beizubehalten. Sie können Portfolios als Reaktion auf Marktveränderungen oder Veränderungen im Risikoprofil eines Anlegers anpassen, wodurch die Übereinstimmung mit strategischen Anlagezielen sichergestellt wird.

Aus einer breiteren Perspektive

Neben Anwendungen, die speziell für Investitionen entwickelt wurden, scheint das Potenzial für die Entwicklung künstlicher Intelligenz im Asset-Management-Geschäft enorm zu sein. Obwohl wir instinktiv die Möglichkeit sehen, bestimmte Aufgaben in verschiedenen Phasen der Prozesskette zu automatisieren, ist es dennoch schwierig, die disruptive Kraft künstlicher Intelligenz vollständig vorherzusagen. Denn man geht davon aus, dass KI mit der Entwicklung weiterer Fortschritte neue Anwendungsbereiche hervorbringen wird.

Wir müssen uns der Grenzen der künstlichen Intelligenz sowie der Gefahren bewusst sein, die sie für einige Aspekte des Portfoliomanagements mit sich bringt, obwohl sie technologische Fortschritte und Produktivitätssteigerungen durch künstliche Intelligenz ermöglicht hat. Künstliche Intelligenz und maschinelle Lernansätze basieren in erster Linie auf Daten, mit denen die Lernalgorithmen gefüttert werden.

Es ist erforderlich, dass diese Daten hinsichtlich Aktualität, Genauigkeit, Vollständigkeit und Repräsentativität von hoher Qualität sind.

Neben der Anforderung einer sehr großen Datenmenge, die nicht immer zur Verfügung steht, kommt es auch darauf an, dass diese Daten von guter Qualität sind. Andernfalls sind die mit Hilfe von Prognosemodellen gewonnenen Erkenntnisse nicht verlässlich und belastbar.

Darüber hinaus können die Algorithmen auch falsche Annahmen treffen, indem sie irrelevante Trends aus dem analysierten Datensatz herauspicken, was zu falschen Schlussfolgerungen führen kann. Dies kann zu groß angelegten Übernahmen, zu starken Sprüngen und kleinstmöglichen Abstürzen führen. Der Verlust des Marktwettbewerbs kann dadurch entstehen, dass viele Marktteilnehmer, die dieselben KI-Algorithmen verwalten, gleichzeitig die falsche Entscheidung treffen oder auf eine Echtzeitsituation auf ähnliche Weise reagieren könnten. Ein solches Risiko könnte tödlich sein.

Trotz der potenziellen Vorteile von KI im Portfoliomanagement gibt es wie in jedem anderen Bereich auch viele Herausforderungen, die wir im Auge behalten und letztendlich angehen müssen. Eine der Hauptschwierigkeiten ist der mögliche Mangel an Transparenz und Interpretationsprobleme von KI-Modellen, was es für Manager schwierig machen kann, die Ergebnisse ihrer Zusammenarbeit mit KI zu erklären. Diese Nutzungskomplexität könnte einer der Gründe sein, warum die Einführung von KI in europäischen Fonds relativ gering ist. Stand September 2022 nur 65 von 22.000 Fonds mit Sitz in der Europäischen Union gaben an, KI in ihren Anlageprozessen einzusetzen.

Die Europäische Finanzmarktaufsichtsbehörde (ESMA) hat identifiziert Faktoren, die zur niedrigen Akzeptanzrate beitragen können, wie etwa das Fehlen klarer regulatorischer Rahmenbedingungen und fehlender KI-Kompetenzen bei Fondsmanagern. Die Schwierigkeit, KI-Ergebnisse aufgrund der Modellkomplexität zu erklären, kann jedoch auch einer der Faktoren sein, die die niedrige Akzeptanzrate rechtfertigen. Ich denke, wir werden es mit der Zeit herausfinden.

Derzeit scheint es, dass künstliche Intelligenz noch weit davon entfernt ist, echte Menschen in der Vermögensverwaltungsbranche vollständig zu ersetzen. Dennoch sind Transparenz, Vertrauensverhältnis und Kontakt zwischen Kunden und Verwaltungsexperten nach wie vor entscheidende Merkmale, heute mehr denn je.

Dennoch lässt sich nicht leugnen, dass künstliche Intelligenz neue und spannende Werkzeuge mit sich bringt, die in der Wertschöpfungskette eingesetzt werden können, und das Potenzial dieser Werkzeuge könnte das heutige Erscheinungsbild der Branche wirklich verändern.