Die Entwicklung künstlicher Intelligenz (KI) im Asset Management verläuft rasant: Ab Mitte der 2010er Jahre setzten – damals noch vor allem große – Vermögensverwalter KI und Maschinelles Lernen für Auswertungen herkömmlicher und alternativer Massendaten, Risikomodellierungen, Kursprognosen sowie Portfoliooptimierungen ein.
Dieser Artikel richtet sich ausschließlich an professionelle Investoren. Bitte melden Sie sich daher einmal kurz an und machen einige berufliche Angaben. Geht ganz schnell und ist selbstverständlich kostenlos.
Die Entwicklung künstlicher Intelligenz (KI) im Asset Management verläuft rasant: Ab Mitte der 2010er Jahre setzten – damals noch vor allem große – Vermögensverwalter KI und Maschinelles Lernen für Auswertungen herkömmlicher und alternativer Massendaten, Risikomodellierungen, Kursprognosen sowie Portfoliooptimierungen ein.
Seit dem Marktstart generativer KI im Jahr 2022 kann die Technologie auch Geschäftsberichte analysieren, Analystenkommentare auswerten, Reportings schreiben und vieles mehr – in einer Geschwindigkeit, die Menschen niemals erreichen könnten. Inzwischen rückt für Asset Manager der nächste Entwicklungsschritt in den Mittelpunkt: konkreter Mehrwert für Investmententscheidungen. Denn Anleger wollen nicht in Algorithmen investieren, sondern in Investmentstrategien, die ihr angelegtes Kapital auf möglichst fundierter Wissensbasis erhalten und vermehren.
Die Forschung forciert den Wandel
Deshalb soll KI Zusammenhänge und Risiken noch besser erkennen, Portfolios robuster gestalten und – letztlich – Investmententscheidungen messbar verbessern. Das US-amerikanische CFA Institute beschreibt den Wandel aktuell in mehreren Publikationen, etwa im Beitrag „It's Not Just What You Own, It's How Much: Machine Learning and the Portfolio Construction Imperative“.
Ähnlich argumentiert die US-Großbank Citigroup: Sie kommt in ihrer Studie „AI in Investment Management“ zu dem Schluss, dass das größte KI-Potenzial weniger in Kursprognosen als vielmehr in der Verbesserung konkreter Investmentprozesse liegt.
Dazu leisten die Forschungsarbeiten von Milena Vuleti? und Andreas Pischetsrieder einen wichtigen Beitrag. Milena Vuletic ist Mathematikerin und „Quantitative Researcher“. Sie promovierte an der University of Oxford in Mathematik – mit Schwerpunkt auf datengetriebenen Methoden und Machine Learning für Finanzmärkte. Der Titel ihrer Dissertation lautet „Multi-Asset Financial Markets: Mathematical Modelling and Data-Driven Approaches“.
Andreas Pischetsrieder ist Portfoliomanager bei der Augsburger Fürst Fugger Privatbank. Er hat ein Masterstudium an der Universität Liechtenstein abgeschlossen und promoviert dort derzeit. Sein fachlicher Schwerpunkt liegt an der Schnittstelle von Machine Learning und Portfoliokonstruktion; seine Masterarbeit heißt „Optimizing S&P 500-Tilted Portfolios with Direct Weight Prediction Neural Networks“.
Für ihre Forschungsarbeiten wurden Andreas Pischetsrieder und Milena Vuleti? kürzlich mit dem „Förderpreis für Künstliche Intelligenz in der Finanzwirtschaft“ (Ausschreibungsjahr 2025) ausgezeichnet. Der Vermögensverwalter Plexus Investments vergibt diesen – mit insgesamt 10.000 Euro dotierten – Preis seit dem Jahr 2020 jährlich. Die Jury besteht aus:
- Walter Farkas, Professor für Quantitative Finance am Institut für Banking and Finance der Universität Zürich und assoziiertes Mitglied des Departements Mathematik der ETH Zürich,
- Christof Kutscher, Mitgründer und Executive Chair von Lancry Natural Capital und ehemals unter anderem Chairman of the Board von AXA Investment Managers, sowie
- Stefan Mittnik, Professor für Finanzökonometrie und Mitgründer des digitalen Finanzdienstleisters Scalable Capital.
Die von der hochkarätigen Jury mit dem Förderpreis ausgezeichneten Forschungsarbeiten zeigen, dass KI Mehrwert bei Investmententscheidungen entfalten kann – wenn sie die Sprache der Finanzmärkte mit all ihren ökonomischen Zusammenhängen, Restriktionen und Risiken versteht.
Marktrisiken realistisch simulieren
Ein Beispiel dafür: Wenn Investoren Optionen bewerten oder Risiken absichern, müssen sie prognostizieren, wie sich Volatilitäten künftig entwickeln. Zu den dafür wichtigsten Werkzeugen professioneller Derivatehändler und Risikomanager gehören sogenannte Volatilitätsoberflächen. Diese sind allerdings hochkomplex, verändern sich ständig und lassen sich mit klassischen Modellen kaum ausreichend abbilden.
Milena Vuletic hat für ihre Dissertation ein neues Modell entwickelt, das auf Basis generativer KI realistische Szenarien impliziter Volatilitätsoberflächen erzeugt und dabei finanzmathematische Restriktionen und ökonomische Zusammenhänge berücksichtigt. Dadurch sind die Szenarien statistisch plausibel und finanzwirtschaftlich sinnvoll. Das ist von hoher praktischer Relevanz, denn historische Marktdaten enthalten nur wenige extreme Krisensituationen.
