Seit dem historischen Sieg des Schachcomputers Deep Blue gegen Garri Kasparow vor mehr als 20 Jahren ist unbestritten: Algorithmen sind die besseren Schachspieler. Und wahrscheinlich sind sie schon in naher Zukunft auch die sichereren Autofahrer. Doch haben sie auch das Zeug zum besseren Asset Manager?
Unbestritten ist, dass die enorme Zunahme der Rechenleistung, der bessere Zugang zu immer größeren und valideren Datenbeständen sowie die permanente Verfeinerung der Rechenmodelle in den vergangenen Jahren dazu geführt haben, dass adaptive und selbstlernende Algorithmen – also Künstliche Intelligenz – immer leistungsfähiger geworden sind.
Auch die Finanzindustrie versucht, Elemente des maschinellen Lernens in ihre Entscheidungsprozesse zu integrieren und dadurch ihre Ergebnisse zu optimieren. Sie ist eine sehr heterogene Branche und nutzt die Methoden Künstlicher Intelligenz auf vielfältige Weise, je nach den jeweiligen spezifischen Anforderungen und Aufgabenstellungen.
Für Banken beispielsweise sind Anwendungen zur besseren Bonitätsbeurteilung interessant, für Versicherungen wiederum zum Aufdecken von Betrugsversuchen in der Schadensregulierung. In der Anlageberatung kommen derzeit mehr und mehr Angebote zur automatisierten Bearbeitung von Kundenanfragen auf den Markt, zum Beispiel Chatbots.
Im Asset Management hat die Nutzung quantitativer Modelle und Algorithmen bereits eine lange Historie. Quantitative Anlagestrategien – etwa bei Hedgefonds – setzen seit jeher auf komplexe Modellrechnungen, um die Portfolioallokation zu bestimmen. Durch ihre Adaptivität und ihre Flexibilität kann Künstliche Intelligenz schon heute wesentlich dazu beitragen, diese Modelle permanent zu verbessern, größere Datenmengen systematischer zu verarbeiten und letztlich die Investitionsentscheidungen zu optimieren.
KI kann an jedem Schritt der Wertschöpfungskette ansetzen
Beim quantitativen Asset Management lässt sich die Wertschöpfungskette in vier Segmente gliedern, für die jeweils eigene Anwendungen der Künstlichen Intelligenz relevant sein können. In einem ersten Schritt muss das Anlageuniversum identifiziert werden. Dabei kann Künstliche Intelligenz, etwa durch die Identifikation unkorrelierter Assetklassen, zur Schaffung von Diversifikationsvorteilen beitragen. Ein weiteres Beispiel wäre die genauere Einschätzung illiquider oder mangels historischer Daten nur schwer zu analysierender Anlageklassen durch Approximation an ähnliche Assets.