Autoren
Abstract
Investieren mit Künstlicher Intelligenz
Wer oft unterwegs ist, kann sich ein Leben ohne die Navigationsfunktion von „Google Maps“ kaum noch vorstellen. Doch nur wenige Smartphone-Nutzer dürften eine treffende Vorstellung davon haben, welche Datenmengen die App im Hintergrund verarbeitet, um sie zuverlässig und in möglichst kurzer Zeit ans Ziel zu leiten.
Dazu gehören etwa Faktoren wie die Straßenbeschaffenheit, das aktuelle Wetter oder aggregierte GPS-Standortdaten von Fahrzeugen. Auch Informationen von offiziellen Stellen und Feedback von Nutzerinnen und Nutzern fließen in die Berechnungen mit ein. So weiß Google Maps u. a. über Geschwindigkeitsbegrenzungen Bescheid oder darüber, ob bestimmte Wege beispielsweise aufgrund von Bauarbeiten gesperrt sind.
Diese aktuellen Daten und Informationen helfen bei der Einschätzung der Verkehrssituation – sie zeigen jedoch nicht, wie es um die Verkehrslage in zehn Minuten oder gar einer Stunde bestellt sein wird. Hierzu kommt ausgeklügelte Technologie ins Spiel: Um zu prognostizieren, wie der Verkehr in naher Zukunft aussehen dürfte, analysiert Google Maps gespeicherte Verkehrsmuster auf den Straßen im Zeitverlauf und kombiniert diese Daten mit der aktuellen Verkehrssituation.
Möglich sind diese Funktionalitäten durch den fortschreitenden Einsatz von Künstlicher Intelligenz (KI). Denn durch KI können enorme Datenmengen analysiert und dafür genutzt werden, neue Erkenntnisse zu generieren und dadurch bessere Entscheidungen zu treffen.
Der Begriff Künstliche Intelligenz – oder auch „erweiterte“ Intelligenz – steht für Technologien und Dienste, die das menschliche Denken so nachahmen, dass sie Informationen ähnlich verstehen und verarbeiten können wie der Mensch – allerdings ungleich schneller und umfassender. Vor allem Texte, Bilder oder Videos. Dinge also, die Computer früher nicht besonders gut „verstanden“ haben.
Wie bei der führenden Navigationslösung ist KI aus immer mehr Anwendungen, Unternehmen und dem alltäglichen Leben kaum mehr wegzudenken. Denn auf KI basierende Technologien werden zunehmend als Instrument genutzt, um Produkte und Dienstleistungen kontinuierlich zu verbessern oder neue Geschäftsfelder zu erschließen. Für nahezu jede Branche und Unternehmensgröße gibt es inzwischen gewinnbringende KI-Lösungen. Klassische Einsatzfelder sind derzeit etwa kundenindividuelle Produktempfehlungen im Online-Handel, automatisierte Bild-/Gesichtserkennung oder Echtzeit-Übersetzungsdienste in Smartphones.
Unternehmen wenden zunehmend eine neue Generation KI-gestützter Simulationen an, um ihre Produktionsprozesse zu verbessern: Solche sogenannten digitalen Zwillinge helfen ihnen zum Beispiel dabei, Waren und Dienstleistungen rechtzeitig an die Kunden zu liefern. Diese Algorithmen prognostizieren nicht nur mögliche Unterbrechungen der Produktions- und Logistikketten, sondern schlagen auch vor, was dagegen zu tun ist.
Simulationen unterstützen in der Industrie zwar schon seit Jahren die Entscheidungsfindung, dank enorm gestiegener Rechenleistung können mittlerweile aber auch komplexeste Prozesse mithilfe von KI simuliert werden.
Maschinelles Lernen in der Vermögensverwaltung
KI gilt gemeinsam mit Datenanalyse, Internet der Dinge und Cloud-Diensten als eines der stärksten digitalen Wachstumssegmente der nächsten Jahre. Es ist absehbar, dass die Bedeutung von KI – insbesondere ihrem Anwendungsbereich „Maschinelles Lernen“ (ML) – auch beim Thema Geldanlage und Vermögensverwaltung zunehmen wird.
So stehen an den Finanzmärkten tagtäglich wachsende Datenmengen zur Verfügung, die ohne KI-Unterstützung immer schwieriger zu bewältigen sind. Informationen über Unternehmen und Aktien etwa, aus denen wichtige Erkenntnisse zur Optimierung von Anlageentscheidungen gewonnen werden können. ML hilft im Zuge der rasanten technologischen Entwicklung durch eigenständige quantitative Bewertungen, das Potenzial dieser Informationsflut auszuschöpfen.
Bei ML generiert der Computer selbstständig Wissen aus Erfahrungen und kann eigenständig Lösungen für neue und unbekannte Probleme finden. Dazu analysiert ein System Beispieldaten und versucht mit Hilfe selbstlernender Algorithmen, in den Daten bestimmte Muster und Gesetzmäßigkeiten zu erkennen. Das Ziel von ML ist es, diese intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen und daraus Schlussfolgerungen zu ziehen.
Außerdem ermöglicht es ML, durch die Untersuchung vorhandener Daten aus der Gegenwart und der Vergangenheit Vorhersagen über zukünftige Entwicklungen zu treffen. Da ständig neue Daten gesammelt werden, verbessert sich ein solches System zudem kontinuierlich.
ML betrifft also die grundlegende Weise, wie man Computern beibringt, was sie leisten sollen. Vereinfacht gesagt gilt: Während Rechner in der Vergangenheit programmiert worden sind, werden sie heute trainiert. Um einen Computer etwa dazu zu befähigen, Sprache zu erkennen oder Objekte in einem Foto zu identifizieren, mussten Programmierer früher zunächst ein umfassendes Regelwerk für den Rechner entwerfen. Beim ML dagegen programmiert der Mensch keine Regeln mehr. Stattdessen erschafft er einen Algorithmus, der sich mithilfe von KI die notwendigen Regeln selbst erschließt.
Schon heute können Investoren von KI partizipieren, indem sie beispielsweise auf spezielle Anlagestrategien der Deka setzen, deren Portfoliomanagement von ML unterstützt wird. Performance-Analysen, auch von Szenarien aus der Vergangenheit, weisen hier vielversprechende Ergebnisse auf. Der Einsatz von KI ist dabei sowohl im Rahmen eines speziellen KI-Anlagekonzepts möglich als auch lediglich zur fallweisen Unterstützung ausgewählter Anlageentscheidungen. Und zwar sowohl auf Indexebene bei der kurzfristigen Asset-Allokation wie auch bei der strategischen (Einzeltitel-)Selektion.
Erfolgreich eingesetzt wird ML bereits in ausgewählten Deka-Investmentfonds in geringem Umfang als Beimischung. Ein Teil der Anlageentscheidungen erfolgt hier KI-unterstützt. Der ML-Ansatz der Fonds: ein in Bereichskooperation von Dr. Dominik Wolff, dem Leiter Quant Research, und Portfoliomanager Dr. Fabian Echterling entwickeltes kurzfristiges ML-basiertes Market-Timing-Modell. Hintergrund: Viele Marktteilnehmer nutzen technische Indikatoren für ihre Handelsentscheidungen. Und kurzfristig werden (relative) Aktienmarktrenditen vor allem durch solche Indikatoren getrieben. ML-Modelle können diese Zusammenhänge „lernen“ und so systematisch zur möglichen Renditeverbesserung nutzen.
Die Funktionsweise des in den Fonds genutzten ML-Ansatzes im Detail: Machine-Learning-Modelle werden darauf trainiert, Aktienindex-Futures mit der höchsten Outperformance-Wahrscheinlichkeit am Folgetag zu identifizieren. Das Anlageuniversum umfasst die wichtigsten weltweiten Aktienindizes. Das Training basiert auf Daten der vergangenen Jahre, wobei diese eine Vielzahl von technischen Indikatoren und Marktinformationen beinhalten. Jeden Tag erfolgen Investitionen in die Futures mit den höchsten Outperformance-Wahrscheinlichkeiten. Die Haltedauer dieser Portfoliopositionen ist dementsprechend kurz und beträgt einen bis wenige Tage.
Gleichermaßen bietet ML im Asset Management über die kurzfristige Allokation auf Indexebene die Optimierung der taktischen Asset-Allokation. Die Datengrundlage liefern hier unter anderem fundamentale Indikatoren, wie beispielsweise Kurs-Gewinn-Verhältnisse und Dividendenrenditen, aber auch makroökonomische Indikatoren, wie etwa Arbeitsmarktdaten oder etwa der Ölpreis.
Neben herkömmlichen Daten können auch Textinformationen verwertet werden. Etwa mithilfe von sogenanntem „Natural Language Processing“ (NLP): NLP ermöglicht es, aus der großen Menge von Textdaten, mit denen Marktteilnehmer tagtäglich konfrontiert werden, jene Informationen zu extrahieren, die für die künftige Wertentwicklung einzelner Investments wahrscheinlich von erheblicher Bedeutung sind. Dazu werden in einem aktuellen Research-Projekt der Deka von Hans Christian Schmitz und Dr. Wolff automatisiert Ad-hoc-Meldungen von Unternehmen analysiert und automatisch in positiv, negativ oder neutral klassifiziert.
In einem anderen Research-Projekt beschäftigen sich die Deka-Investment-Manager mit der Medienpräsenz von Unternehmen. Dabei werden die Stärke der Präsenz von Unternehmen in den Medien sowie das Sentiment der betreffenden Nachrichtenartikel ausgewertet. Dieses Signal kann bei der Aktienauswahl berücksichtigt werden.
Fazit: Der Einsatz von Künstlicher Intelligenz und insbesondere von Maschinellem Lernen ermöglicht schon heute durch die Erweiterung um zusätzliche Parameter und Risikoreduktion eine sinnvolle Ergänzung bestehender quantitativer Ansätze. Die Deka registriert derzeit eine zunehmende Nachfrage in diesem Themenfeld, die Eignung für den jeweiligen Anleger sollte jedoch im konkreten Einzelfall besprochen und analysiert werden.
Perspektivisch ist für das Fondshaus der Sparkassen auch die Entwicklung maßgeblich durch ML gesteuerter Aktienportfolios eine denkbare Option.