Quantitatives Investieren ist ein \u00e4u\u00dferst dynamischer Bereich des Asset Managements, der sich, nicht zuletzt durch immer leistungsf\u00e4higere Technik, best\u00e4ndig weiterentwickelt. Als einer der gr\u00f6\u00dften Anbieter quantitativ gemanagter L\u00f6sungen in Deutschland ist f\u00fcr die Deka daher die Optimierung verwendeter Strategien und die Suche nach neuen m\u00f6glichen Ans\u00e4tzen von besonderem Interesse. Aus diesem Grund hat sie bereits 2013 ein eigenes Institut f\u00fcr quantitative Kapitalmarktforschung gegr\u00fcndet, das heutige IQAM Research, in dem die Forschungsaktivit\u00e4ten ihrer Mitarbeitenden und die Kooperationen mit Hochschulen und anderen Partnern geb\u00fcndelt werden.<\/p>\n
\u201eMit IQAM Research ist die Deka einer der Vorreiter im Bereich akademischer Forschung im deutschsprachigen Raum\u201c, berichtet Dr. Dominik Wolff, Portfoliomanager und Head of Quantitative Research im quantitativen Fondsmanagement der Deka. Prim\u00e4res Ziel der Forschungsarbeit ist neben dem akademischen Aspekt auch immer, die quantitativen Produkte der Deka weiterzuentwickeln. \u201eWenn wir uns mit neuen Themen besch\u00e4ftigen, stellen wir uns zuerst die Frage, ob sie realistische, praktische Anwendungsm\u00f6glichkeiten bieten und ob wir mit den Konzepten unsere Produkte verbessern k\u00f6nnen\u201c, so Dr. Wolff. Dabei ist die Kooperation mit den Hochschulen und die Zusammenarbeit mit den Professoren des wissenschaftlichen Beirats von IQAM Research sehr hilfreich. Durch den Austausch zwischen akademischer Forschung und Praxis erh\u00e4lt die Deka regelm\u00e4\u00dfig viele spannende Impulse und kann neue Entwicklungen und Erkenntnisse im Fondsmanagement schneller f\u00fcr Kundinnen und Kunden nutzbar machen.<\/p>\n
Auch f\u00fcr die Partner aus der Wissenschaft ist die Kooperation sehr fruchtbar, best\u00e4tigt Prof. Dr. Dr. Thomas Dangl, Professor f\u00fcr Finance an der Technischen Universit\u00e4t Wien: \u201eDie Zusammenarbeit mit Asset Managern wie der Deka ist f\u00fcr uns als Wissenschaftler sehr reizvoll, bietet sie uns doch die Gelegenheit akademische und angewandte Forschung zu kombinieren. So bin ich beispielsweise Mitglied der wissenschaftlichen Leitung bei der IQAM Invest und nehme in dieser Funktion an vielen Gremiensitzungen teil, in denen wir konkrete Problem- und Fragestellungen bei der Umsetzung quantitativer Ans\u00e4tze aus erster Hand miterleben. Aus dieser Zusammenarbeit ergeben sich auch immer wieder neue Forschungsthemen.\u201c<\/p>\n
Ein solches Thema ist beispielsweise die automatisierte Extraktion von Informationen aus Text durch K\u00fcnstliche Intelligenz (KI), auch Natural Language Processing (NLP) genannt. Unter KI versteht man gemeinhin die F\u00e4higkeit von Maschinen, menschliche Leistungen zu erbringen, die Intelligenz erfordern. Ist der Computer dann auch noch in der Lage, selbstst\u00e4ndig Zusammenh\u00e4nge in Daten zu erkennen und kann er eigenst\u00e4ndig L\u00f6sungen f\u00fcr neue und unbekannte Probleme finden, spricht man von Machine Learning, einem Teilbereich von KI. NLP wiederum stellt einen konkreten Anwendungsbereich von Machine Learning dar. Die Interpretation von Texten mithilfe von K\u00fcnstlicher Intelligenz spielt im Asset Management bisher nur eine untergeordnete Rolle. Dies \u00e4ndert sich jedoch rasant. Dank des technologischen Fortschritts der vergangenen Jahre sind Algorithmen heutzutage immer besser darin, Texte semantisch zu verstehen. Sowohl Deka als auch IQAM Invest forschen daher an Ans\u00e4tzen, textbasierte Investitionssignale zu generieren sowie nutzbar zu machen und nutzen daf\u00fcr unter anderem das BERT-Modell von Google.<\/p>\n
BERT wurde im Jahr 2018 von Google der \u00d6ffentlichkeit zug\u00e4nglich gemacht, und hat sich seitdem als wichtige Instanz im Natural Language Processing etabliert. Es basiert auf neuronalen Netzwerken und bietet den enormen Vorteil, dass zum Training des Algorithmus keine von Menschen strukturierten Daten mehr n\u00f6tig sind, sondern nicht annotierte Textquellen verwendet werden k\u00f6nnen. BERT ist in der Lage, aus ihrem Kontext auf die Bedeutung von W\u00f6rtern zu schlie\u00dfen. Um einen Text zu verstehen, muss dieser zuerst in mathematische Sprache \u201e\u00fcbersetzt\u201c werden. W\u00f6rter werden in Vektoren umgewandelt, die deren Semantik repr\u00e4sentieren und die in einem vieldimensionalen Vektorraum eingebettet werden. Die Lage eines Vektors bestimmt die Kontextinformationen, die er darstellt. Semantisch \u00e4hnliche W\u00f6rter sind in bestimmten Bereichen des Vektorraums geballt. So kann aus der geometrischen Lage des Vektors auf eine \u00c4hnlichkeit in der Bedeutung geschlossen werden. Die Basisversion von BERT nutzt Vektoren mit \u00fcber 700 Dimensionen und ist damit in der Lage, sehr komplexe Zusammenh\u00e4nge darzustellen. Das ist wichtig, um die unterschiedliche inhaltliche Bedeutung semantisch gleicher Begriffe wie etwa \u201eBank\u201c (als Sitzm\u00f6bel und Kreditinstitut) richtig zu erfassen.<\/p>\n
\u201eBei der Deka nutzen wir BERT aktuell in verschiedenen Forschungsprojekten. In einem Projekt beispielsweise trainieren wir den Algorithmus mit ca. 10.000 historischen Ad-hoc-Meldungen von Unternehmen. Diese werden analysiert und mit einer Sentiment-Analyse automatisiert einer von drei verschiedenen Kategorien zugeordnet: positive, negative oder neutrale Wirkung auf den Aktienkurs des ver\u00f6ffentlichenden Unternehmens. Danach vergleichen wir diese Einsch\u00e4tzungen mit den tats\u00e4chlichen Kursentwicklungen, die \u00fcber den Markteffekt hinausgehen\u201c, erl\u00e4utert Dr. Wolff das Vorgehen. Durch dieses Training kann das Modell dann bei neuen Ad-hoc-Meldungen eine Prognose abgeben, wie die Ver\u00f6ffentlichung den Aktienkurs beeinflussen wird.<\/p>\n
\u201eDank der massiv gestiegenen Rechenleistung moderner Computer sowie den enormen zur Verf\u00fcgung stehenden Datenmengen ist Machine Learning ein sehr spannender Teilbereich des quantitativen Fondsmanagements, der noch viel Potenzial f\u00fcr die Zukunft bietet. So gibt es z.B. f\u00fcr tausende Aktien eine Vielzahl von fundamentalen Kennzahlen, Analysteneinsch\u00e4tzungen und technische Indikatoren, die mit Machine Learning ausgewertet werden k\u00f6nnen, um attraktive Aktien zu selektieren. Zudem legen die Fortschritte in der Textanalyse nahe, dass NLP zuk\u00fcnftig eine sehr viel gr\u00f6\u00dfere Rolle spielen wird\u201c, fasst Prof. Dr. Dr. Thomas Dangl zusammen. \u201eAber auch im Bereich faktorbasiertes Investieren k\u00f6nnte sich in den kommenden Jahren noch einiges tun\u201c, erg\u00e4nzt Dr. Wolff. \u201eSo wurden Faktoren bisher h\u00e4ndisch gesucht und nichtlineare Zusammenh\u00e4nge sowie Abh\u00e4ngigkeiten zwischen Faktoren in der Regel vernachl\u00e4ssigt \u2013 mit Machine Learning k\u00f6nnen mittlerweile sehr gro\u00dfe Datenmengen systematisch untersucht und so auch nichtlineare Zusammenh\u00e4nge gefunden werden. Es ist also durchaus vorstellbar, dass wir hier mit Big Data noch weitere Faktoren finden werden, die sich in faktorbasierten Strategien einsetzen lassen.\u201c<\/p>\n
<\/p>\n
https:\/\/www.deka-institutionell.de\/themen\/kompetenz\/natural-language-processing-wird-zuk%C3%BCnftig-eine-gro%C3%9Fe-rolle-spielen\/<\/p>\n","protected":false},"excerpt":{"rendered":"
Quantitatives Investieren ist ein \u00e4u\u00dferst dynamischer Bereich des Asset Managements, der sich, nicht zuletzt durch immer leistungsf\u00e4higere Technik, best\u00e4ndig weiterentwickelt. Als einer der gr\u00f6\u00dften Anbieter quantitativ gemanagter L\u00f6sungen in Deutschland…<\/p>\n","protected":false},"author":5,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1923","post","type-post","status-publish","format-standard","hentry","category-unkategorisiert"],"acf":[],"_links":{"self":[{"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/posts\/1923","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/comments?post=1923"}],"version-history":[{"count":1,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/posts\/1923\/revisions"}],"predecessor-version":[{"id":1924,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/posts\/1923\/revisions\/1924"}],"wp:attachment":[{"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/media?parent=1923"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/categories?post=1923"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/iqam-research.de\/en\/wp-json\/wp\/v2\/tags?post=1923"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}