Künstliche Intelligenz (KI) ist das große Wirtschaftsthema unserer Zeit. Seit der Markteinführung des generativen Sprachmodells Chat GPT Ende November 2022 ist um KI geradezu ein Hype entstanden. Auch Asset-Management-Unternehmen nutzen Sprachmodelle. Für die reine Vermögensverwaltung umfassender nutzbar sind allerdings prädiktive KI-Modelle. Denn Risikomanagement und Renditeprognosen funktionieren vor allem mit prädiktiver KI, die wiederum generative Komponenten enthalten können.
Insbesondere Renditeprognosen sind hochkomplex und unsicher, weil die Finanzmärkte hochgradig dynamisch sind, sich oft zufällig entwickeln und stark von externen Faktoren – mitunter Schocks – beeinflusst werden. Wer angesichts dessen erwartet, dass KI beispielsweise Aktienkurse präzise vorhersagt, täuscht sich. Hit-Ratios von knapp über 50 Prozent gelten – wie bei herkömmlichen Methoden für Aktienkursprognosen auch – bereits als echter Erfolg.
Vielleicht die Königsdisziplin unter den KI-Anwendungen
Künstliche Intelligenz kann also unter anderem bei Kursprognosen mit herkömmlichen Verfahren mithalten, obwohl KI noch in den Kinderschuhen steckt. Dennoch bezweifeln bislang noch viele Finanzfachleute der etablierten Schule, dass KI das Asset Management wirklich verbessern kann. Meist basieren KI-Ergebnisse, die in der Wahrnehmung solcher Finanzexperten schlecht sind, auf falschen Erwartungen. Richtig ist: KI kann Anlagestrategien und ihre Umsetzungseffizienz deutlich verbessern. Allerdings ist auch klar, dass die KI-basierte Kapitalanlage eine sehr schwierige Disziplin ist. Vielleicht ist sie sogar die Königsdisziplin unter den Anwendungsmöglichkeiten von KI.
Skepsis gegenüber KI im Asset Management mag auch ein Grund dafür sein, weshalb der Hype um KI der Milliardensummen in die Erforschung und Entwicklung von KI-gestützten Systemen fließen lässt, sich im Volumen KI-gesteuerter Fonds aber noch nicht widerspiegelt. So sind die zwei größten KI-gesteuerten deutschen Publikumsfonds, die im Plexus-AI-Outperformance-Index geführt sind, der Tungsten Trycon AI Global Markets mit derzeit rund 135 Millionen Euro Fondsvolumen und der FP Artellium Evolution mit 115 Millionen Euro Assets under Management.
Daten zum Plexus-AI-Outperformance Index veröffentlicht Plexus Investments seit März 2019 monatlich (alle bisherigen Ausgaben finden Sie hier). Bereits im Jahr 2017 hat Plexus seine KI-Denkfabrik gegründet, um das gerade aufgekommene KI-Segment in der Vermögensverwaltung unter die Lupe zu nehmen, KI-Strategien zu identifizieren, KI-Fonds-Manager zu prüfen und die Performance von KI-Fonds im Vergleich zu ihren Benchmarks zu messen. Zudem zeigt die AI-Outperformer Ratio den Anteil jener KI-Fonds, die ihre Benchmark in bestimmten Zeiträumen übertreffen. Der Index und die Ratio sind ein Spiegel der KI-Reife im Finanzsektor.
Die Resultate des Tungsten Trycon AI Global Markets und des FP Artellium Evolution können sich durchaus sehen lassen: Seit Aufnahme in den Index im Juli 2019 und Oktober 2021 haben sie eine Performance von 19,8 und 15,8 Prozent Performance erzielt. Dies entspricht im Schnitt 3,7 und 5,7 Prozent pro Jahr. Mit ihrer tiefen Volatilität von jeweils 4,8 Prozent bieten die beiden Fonds den Investoren also ein attraktives Rendite-Risiko-Profil.
Hohe Qualität der Forschung zu KI im Asset Management
Wie solche Leistungen zustande kommen, erklären Wissenschaftler und Praktiker seit dem Jahr 2021 auf der jährlichen Plexus-Konferenz „Artificial Intelligence in the Financial Sector“. Die vierte Konferenz fand im Mai statt. Zum Programm gehörte die Verleihung des Plexus-Förderpreises für Künstliche Intelligenz in der Finanzwirtschaft an drei junge Forscher:
- Mathis Mörke, Postdoktorant an der Schweizer Universität St. Gallen,
- Konrad Müller, Associate bei der Investmentbank JP Morgan in London sowie Doktorand am Londoner Imperial College und
- Valentin Hasner, Absolvent der Universität St. Gallen in der Schweiz und der Ludwig-Maximilians-Universität München.
Die Jurymitglieder waren Walter Farkas, Professor für Quantitative Finance am Institut für Banking and Finance der Universität Zürich und assoziiertes Mitglied des Departements Mathematik an der ETH Zürich, Christof Kutscher, Verwaltungsratspräsident der Bergos und Mitglied des Verwaltungsrats der Carmignac, sowie Stefan Mittnik, Professor für Finanzökonometrie, bis 2020 Inhaber des gleichnamigen Lehrstuhls an der Ludwig-Maximilians-Universität München und Mitgründer des digitalen Finanzdienstleisters Scalable Capital.
Die Arbeiten der drei Förderpreisgewinner zeigen, dass KI-Modelle in einem breiten Asset-Management-Spektrum qualitative Verbesserungen bringen. Besonders ermutigend ist, dass sich viele Hochschulen nicht nur intensiv mit KI-Forschung beschäftigen, sondern auch die praktische Umsetzung zur Lösung finanzwirtschaftlicher Probleme vorantreiben. Dadurch wird die Verbindung zwischen Wissenschaft und Praxis immer enger und die Breite der mit KI analysierten Themen grösser. Wann KI-Tools zum Mainstream werden, ist nur noch eine Frage der Zeit.
Fallbeispiel 1: Derivate mit Machine Learning besser verstehen
Förderpreisgewinner Mathis Mörke widmet seine Dissertation „Essays in Derivative Markets“ (322 Seiten, in englischer Sprache) fünf Themen: Für zwei der fünf Essays hat er Machine-Learning-Techniken verwendet, um Renditen in Optionsmärkten besser zu verstehen. Die Optionsmärkte wurden im Vergleich zu den Aktien- und Bondmärkten lange vernachlässigt – auch wegen ihrer hohen Komplexität. Mittlerweile werden sie immer bedeutsamer. Die Handelsvolumina etlicher Optionen sind sogar höher als die Handelsvolumina bei ihren Basiswerten. Kein Wunder, dass Investoren zunehmend interessiert sind, ob Optionsrenditen vorhersehbar sind. Und wenn ja, wie.
- Im Essay „Option Return Predictability with Machine Learning and Big Data“ befassen sich Mathis Mörke und seine Co-Autoren mit Renditetreibern bei Optionen auf Einzeltitel. Sie haben die wichtigsten Treiber identifiziert und das Zusammenspiel verschiedener Treiber beleuchtet. Ergebnis: Machine Learning ermöglicht eine bessere Vorhersehbarkeit von Optionsrenditen sowie höhere Renditen als Handelsstrategien, die ohne Machine Learning auskommen – weil die Technologie Nichtlinearitäten und Interaktionseffekte zwischen den einzelnen Treibern aufdeckt.
- Im Essay mit dem Titel „An Autoencoder Based Factor Model for Option Returns“ hat sich Mathis Mörke Optionen auf den S&P 500-Index gewidmet. Dafür hat er ein neuartiges, mit neuronalen Netzen ausgestattetes Faktormodell, das Nichtlinearitäten zulässt, auf S&P-500-Indexoptionen angewandt. Es eignet sich unter anderem für ein besseres Rendite-Risiko-Verständnis.
Die Forschungsergebnisse zeigen, dass Machine Learning bessere Handelsstrategien mit Optionen ermöglicht. Wann Machine Learning dafür in der Breite genutzt wird, hängt davon ab, wann eine kritische Masse an Finanzfachleuten die Technologie versteht. Die Nutzung ist also kaum mehr eine Frage der Technologie, sondern der Psychologie.