Seit Jahren nutzen einige Fondsmanager im Portfoliomanagement Künstliche Intelligenz – doch erst seit wenigen Monaten spielen auch weiterentwickelte Technologien wie Chat GPT eine Rolle in der öffentlichen Wahrnehmung. Eine Kurzstudie von Fondsconsult zeigt vor diesem Hintergrund: Die Abgrenzung von echter Künstlicher Intelligenz und klassischen Quant-Modellen fällt noch immer schwer – obwohl Portfoliomanager die KI gleich an mehreren Stellen einsetzen könnten.
Einsatz von Künstlicher Intelligenz bisher überschaubar – Gefahr von „AI-Washing“
Für die Kurzstudie befragten die Analysten Dominik Wagner und Maximilian Wellner Vertreter von 14 Asset Managern, die ein entsprechendes Fondsangebot bewerben. Gleichzeitig werteten sie die Wertentwicklung der Fonds über ein und drei Jahre aus und überprüften, ob sie in ihrer Vergleichsgruppe den Durchschnitt schlugen. Das Ergebnis: Zwar übertrumpfte die Mehrzahl der Fonds die jeweilige Benchmark, gleichzeitig weisen die Analysten auch auf die Gefahr eines „AI-Washing“ hin. Auch das Volumen der Fonds läge meist deutlich unter 50 Millionen Euro, im Rentenbereich fehlen Fonds mit KI-Einsatz im Portfoliomanagement bisher komplett.
Der Einsatz von KI ist laut der Studienautoren zwar teilweise schon fortgeschritten, beschränkt sich im konkreten Falle der Fonds von Anbietern wie Acatis, DWS, Goldman Sachs, Laic oder Robeco aber vorwiegend auf die Datenauswertung. Oft erzeuge die KI zudem Handelssignale für das Portfoliomanagement. Im Fokus für entsprechende Fälle steht das Natural Language Processing, bei dem große Datenmengen verarbeitet werden. Für Nachhaltigkeitsdaten nutzen Fondsmanager die KI dagegen kaum.
In Bezug auf die teilweise überdurchschnittliche Wertentwicklung der Fonds weisen die Studienautoren auch auf die Transaktionskosten hin: „Eine aktuelle Analyse zeigt, dass von KI gemanagte Fonds die menschlichen Pendants in ihrer Peergroup outperformen, wobei dies hauptsächlich auf den niedrigen Turnover, der geringeren Anzahl an Titel im Portfolio und folglich den niedrigeren Transaktionskosten zurückzuführen ist.“ Auch bei den untersuchten Fonds fließe die Variable der Transaktionskosten in die KI-Modelle mit ein, im Portfoliomanagement werde dann zwischen Transaktionskosten und Alpha-Potential abgewogen.
Trotz der verschiedenen Anwendungsfälle und der Vorteile für eine schnelle und klarere Entscheidungsfindung, die Analyse großer Datenmengen oder einen Informationsvorsprung sehen Wellner und Wagner auch natürliche Grenzen für die künstliche Intelligenz im Anlageprozess: Bei der Menge der Daten besteht sowohl die Gefahr eines „Overfitting“ als auch die eines „Underfitting“, auch die Qualität der Daten bleibt für KI-Modelle ein Problem. Die latente Gefahr eines nicht mehr nachvollziehbaren Investmentprozesses schätzen Wellner und Wagner aber als gering ein.