Der Markt für KI-gesteuerte Fonds, also solche Strategien, die künstliche Intelligenz im Anlageprozess nutzen, wächst. Knapp 60 Prozent der Allokatoren, die in alternative Assetklassen investieren, interessieren sich für das Thema KI, so ein aktueller Report des Branchendienstes Hedgeweek.
Waren verwaltete Vermögen (AuM) in KI-basierten Investmentlösungen bis in die erste Jahreshälfte 2024 global noch kaum oberhalb von drei Milliarden Euro, so registrieren wir eine steigende Nachfrage bei institutionellen Kapitalanlegern sowie Vermögensverwaltern und Wealth Managern.
Einsatzfelder von KI in Anlagestrategien
Die wenigsten Anleger dürften sich für KI zum Selbstzweck oder aus reiner technischer Faszination interessieren. Vielmehr geht es um die Frage, was die KI kann, was sie (besser als der menschliche Analyst oder Manager) leistet und welche Aufgaben – mit welchen erwartbaren Erträgen – sich ihr konkret zuordnen lassen.
Für einige Investoren steht die Suche nach Mehrrenditen im Vordergrund. Daneben sind der Wunsch nach größeren relevanten Datenmengen oder die Filterung emotionaler Einflüsse (Behavioral Bias) und kognitiver Verzerrungen (etwa das als ‚Anchoring’ bezeichnete Festhalten an bestimmten Referenzwerten) oftmals Motive für das Interesse am Einsatz von KI in der Anlagestrategie.
Welche Aufgabe kann die KI nun aber tatsächlich besonders gut? Ein Hauptnutzen, den die KI aus Sicht vieler Marktbeobachter – inklusive der unabhängigen Experten des NextGen Artificial Intelligence Multi-Manager Index, der rund 45 KI-Investmentstrategien weltweit abdeckt – einbringt, ist ihre geringe Korrelation zu anderen Anlageklassen. Die KI arbeitet häufig mit nichtlinearen Mustern. Wird sie im Anlageprozess zur Berechnung der Wahrscheinlichkeit von Marktbewegungen und zur Titelselektion eingesetzt, so sind Handelssignale, Allokationen und Portfoliogewichtungen in der Regel andere als bei einem traditionellen Manager.
50/50-Portfolios: Grenzen von Beimischungen
Fassen wir kurz zusammen: KI-Modelle werden, basierend unter anderem auf Backtests und Vergleichen mit traditionellen (quantitativen) Peer-Gruppen, als Faktor beim Thema Dekorrelation gesehen. KI-basierte Ansätze lassen sich danach als potenziell marktneutraler Baustein komplementär im Portfolio einsetzen. Indes: Für welche Private Banker und Vermögensverwalter dürfte diese Dekorrelationsstärke besonders relevant sein?
Betroffen sind all diejenigen (Long Only-)Investoren, die ihre Portfolien auf Abhängigkeiten von steigenden Aktienmärkten und Staatsanleihen überprüfen und von den bisherigen Beimischungen (etwa Immobilien, Private Equity und Hedge Funds), die ihnen zur Verfügung stehen, oftmals ernüchtert sind. Diese sind nämlich häufig stark mit traditionellen Assetklassen korreliert (>0,7 und mehr) und reagieren auf (geopolitische) Marktereignisse sowie Inflations- und Zinsrisiken ähnlich sensibel.
Investmentstrategien, die maschinelle Intelligenz zur Signalberechnung und Fondssteuerung einsetzen, kommen als neue, disruptive Ergänzungselemente also dann in Betracht, wenn sie die skizzierte Dekorrelationsstärke ausschöpfen und Kriterien einer wirksamen Diversifikation (Gleichlauf mit Aktienmarkt von <0,3) erfüllen.
Als Vertreter der Branche können wir dies anhand unserer eigenen KI-Fondsstrategie quantifizieren. Die Korrelation, also die Wechselbeziehung zu den wichtigen Assetklassen Aktien und Renten, liegt bei <0,1.
Kein Orakel: KI in der Praxis
Lässt sich der Mehrwert solch eines entsprechend programmierten und trainierten KI-Systems noch weiter messen? Folgen wir dem Gedankengang, der KI eine dezidierte Dekorrelationsaufgabe zuzuordnen (statt sie als eine Art „Orakel“ zu betrachten, was sie nicht ist), so fällt es leichter, ihre Rolle als Mittel zum Zweck zu verstehen. Die KI ist Mittel zur Erreichung von Dekorrelation. Die Dekorrelation ist Mittel zur Erreichung einer besseren Performance (genauer: Sharpe Ratio) sowie zur Reduzierung von Volatilität und Stabilisierung bei Kursrückschlägen im Gesamtportfolio-Kontext.
Aus unserer Investmentpraxis, für die wir in den vergangenen Jahren mit mittlerweile drei KI-Modellfamilien rund 55.000 Börsentransaktionen – fokussiert auf die Einsatzzwecke Dekorrelation und Diversifikation – getätigt haben, können wir sagen: Streuung im Portfolio wird oft reklamiert, aber selten tangibel bemessen. Wer Klumpenrisiken vermeiden und eine gleichmäßige Wertentwicklung erreichen will, der wird voneinander unterschiedliche Renditequellen unter die Lupe nehmen.
Für den unkorrelierten KI-Baustein lässt sich für den Zeitraum 2019 bis heute, also auch in Marktphasen zu Beginn des Angriffskrieges auf die Ukraine und während der Corona-Pandemie, basierend auf Auswertungen unabhängiger Dritter hinterlegen: Bei einem durchschnittlichen 50/50-Ausgangsportfolio (als Basis dienen der MSCI World Net Index und der Bloomberg Global Aggregate Bond Index, die die globalen Aktien- und Anleihemärkte adäquat repräsentieren) konnten mit einer zehn- bis 25-prozentigen Beimischung die Portfolio-Schwankungsbreite um bis zu ein Viertel und maximale Drawdowns um bis zu ein Drittel reduziert werden.
Natürlich kommen potenziell auch andere alternative Anlagen in Betracht, die ihre Unabhängigkeit gegenüber den Core-Investments Aktien und Anleihen nachweisen können. Die KI qualifiziert sich sui generis durch ihre Andersartigkeit, da sie in der Regel zu anderen Portfoliozusammensetzungen als der menschliche Manager kommt.
Herausforderungen
Es bedarf viel Research und Kenntnisse der Besonderheiten bei der Anwendung auf die Finanzmärkte, um KI-Algorithmen für das Fondsmanagement nutzbar zu machen.
Anders als bei generativer KI, wie sie etwa durch Sprach-/Textprogramme (Chatbots) und Natural Language Processing zunehmend bekannt ist, kommt zur Identifizierung von Börsentrends, Trendbrüchen und Handelsgelegenheiten hier prädiktive KI zum Einsatz. Gegenüber klassisch-quantitativen Strategien schürfen wir „tiefer“: Eine siebenstellige Zahl von Preisdaten wird durch eine Vielzahl von KI- und Machine-Learning-Algorithmen inklusive Deep Learning ausgewertet.
Ausblick
Im Rahmen des Portfoliomanagements lassen sich heute unterschiedliche Aufgaben auf eine KI übertragen. Ein Hauptnutzen dürfte in ihrer Rolle als ein vom Marktverlauf und von menschlichen Einflüssen weitgehend unabhängiges, hypothesenfreies Instrumentarium liegen.
Dort, wo KI zentral zur Steuerung einer Investmentstrategie eingesetzt wird, sollten Investoren genau definieren, welche Ergebnisse sie sich aus dem Einsatz maschineller Intelligenz versprechen. Informationen zur Messbarkeit der Effekte und des Mehrwerts im Anlageprozess – etwa bei Ergänzungsprodukten zu traditionellen Portfolios – sollten eingefordert werden, idealerweise über längere Zeithorizonte und in unterschiedlichen Marktphasen. Ein Ablesen dieses Wertbeitrags anhand singulärer, opportunistisch ausgewählter Events greift hingegen zu kurz.
Über die Gastautoren:
Pablo Hess und Michael Günther sind KI-Entwickler und Portfoliomanager bei Tungsten Capital mit Sitz in Frankfurt am Main. Ihre Strategie gehört seit über zehn Jahren zu den etablierten KI-Investmentlösungen im DACH-Raum mit einem verwalteten Fondsvermögen von über 200 Millionen Euro.