Stehen wir nun mit Künstlicher Intelligenz am Anfang einer Revolution der bisherigen Investmentstile? Oder ist Künstliche Intelligenz nur eine Weiterentwicklung einer systematischen Anlagestrategie, sozusagen Quant 2.0? Wann ist ein Fonds noch Quant und wann ist er schon KI? Da eine genaue Trennlinie schwer zu ziehen ist, haben wir Kriterien definiert, die bei der Abgrenzung helfen können.
Kriterium 1: KI ist dynamisch. Die Algorithmen können sich laufend dem Marktumfeld anpassen.
Regelbasierte Investmententscheide basieren im Kern in der einen oder anderen Form auf der Annahme, dass in Daten gewisse erkennbare Muster existieren, die Prognosen über die folgende Preisentwicklung eines oder mehrerer Titel zulassen. So allgemein formuliert trifft dies sowohl für klassische Quant- als auch auf KI-Strategien zu. Ebenso wird bei beiden Ansätzen typischerweise kein Mensch, sondern eine Maschine die aktuellen Daten laufend auf das Auftreten definierter Muster überwachen. Oft werden die entsprechenden Handelsaufträge zudem anschließend automatisiert generiert. So gesehen könnte man hier durchaus von Quant 2.0 sprechen.
Die Unterschiede zwischen beiden Ansätzen liegen im Entwickeln, Überwachen und Steuern der datenverarbeitenden Algorithmen. Typischerweise suchen bei einer klassischen Quant-Strategie menschliche Analysten, natürlich mit Hilfe eines Computers, nach sich wiederholenden Mustern in historischen Daten. Es sind oft Mathematiker oder Physiker, die diese Daten mit tiefem Wissen um die jeweiligen Märkte untersuchen. Das Resultat ihrer Arbeit sind statische Algorithmen, die aktiv bleiben, solange sie profitabel sind.
Kommen aber Ansätze aus der KI zum Einsatz, verlagert sich die Rolle des Menschen im Prozess. Auch werden die Bereiche Data Science und IT im Anforderungsprofil noch wichtiger. Der Mensch entwickelt ein KI-System, mit dem die Maschine dann selbst nach möglichen Mustern in historischen Datensätzen sucht. Die Auswahl und Aufbereitung der Daten sowie die implementierten Methoden des Maschinellen Lernens setzen zwar gewisse Grenzen, grundsätzlich lernt das System aber autonom und entwickelt sich dynamisch. Es kann die Profitabilität der eigenen Algorithmen überwachen und diese bei Bedarf anpassen oder stoppen.