Institutional Money, Ausgabe 3 | 2025

Abnehmendes Alpha Es ist aber auch zu beobachten, dass die erzielte Outperfor- mance des KI-Analysten imZeitablauf abnimmt (siehe Grafik „Mensch vs.Maschine“) .Das entspricht der allgemeinen Vorstel- lung, dass Informationen im Lauf der Zeit besser eingepreist und die Märkte effizienter werden. Andererseits dürften sich die Fähigkeiten der KI verbessern. Eine erneute Durchfüh- rung der Untersuchungen in einigen Jahren würde dann zu höheren Schätzungen führen. Den gleichen Effekt zeigt be- reits heute eine Kombination des Random-Forest-Modells mit einem neuronalen Netz. Hieraus resultiert eine höhere Out- performance von 18,9 Millionen US-Dollar pro Quartal. Interessant ist zudem, dass von den verwendeten Input- Variablen des KI-Analysten vor allem einfache Kennzahlen großen Einfluss haben (siehe Tabelle „Einfache Kennzahlen dominieren“) . Die Vorhersagbarkeit der Modellrenditen be- ruht also nicht auf komplexen Inputs, die Managern in der realen Welt möglicherweise nicht bekannt waren. Insgesamt dürften die Simulationen also eine realistische Annäherung an das tatsächliche Potenzial öffentlicher Informationen sein. Dabei spielen neben den offensichtlichen Kosten für das Er- mitteln von Aktienbewertungen und Signalen auch subtile Kosten eine Rolle, sei es zur Entwicklung neuer Handels- strategien, zur Vermeidung kontraproduktiver menschlicher Verhaltenseffekte, zum Anwerben qualifizierter Mitarbeiter oder zur Einführung neuer Technologien. All diese Bereiche können direkte oder indirekte Hürden zur Einpreisung öffentlicher Informationen darstellen. Ungenutztes Alpha-Potenzial Es ist keine Selbstverständlichkeit, dass öffentliche Informatio- nen wie von Zauberhand beschafft, verarbeitet und einge- preist werden. Hinter all dem stecken Arbeit, Zeitaufwand und Kosten.Darauf deuten die Simulationsergebnisse hin, die ein erhebliches ungenutztes Alpha bei öffentlichen Informa- tionen nahelegen. Damit wären die Märkte ineffizient im Sinne der klassischenmittelstrengen Definition.Deshalb kön- nen einzelne Manager durchaus Skills aufbauen,die ihnen ge- wisse, im besten Fall beständige Performancevorteile ermög- lichen.Das wiederum eröffnet einen neuen Erklärungsansatz für die Performance-Persistenz ausgewählter Manager. Für die Praxis bedeuten die Ergebnisse auch, dass KI in Zukunft eine größere Rolle bei der Beschaffung und Verar- beitung von Informationen sowie beim Erzeugen aussichts- reicher Handelssignale spielen dürfte. Das könnte mensch- liche Portfoliomanager zurückdrängen – insbesondere wenn zunehmende Teile der öffentlichen Informationspalette „automatisch“durch KI abgedeckt werden.Doch was, wenn in Zukunft alle Marktteilnehmer mit der KI arbeiten? Dann würde das ungenutzte Alpha wohl weiter abnehmen und irgendwann ganz verschwinden. Die Märkte würden also effizienter. Es sei denn, der kollektive Fokus auf ähnliche Informationen würde zu einer Überreaktion führen. Wirk- liche Effizienz, wie sie die Kapitalmarkttheorie annimmt, dürfte also auch mit KI noch in weiter Ferne liegen.Deshalb sollte man menschliche Expertise vorerst nicht abschreiben. DR. MARKO GRÄNITZ Einfache Kennzahlen dominieren Die 10 einflussreichsten Input-Variablen Gesamtzeitraum 1990 − 2000 2001 − 2010 2011 − 2020 1 Marktkapitalisierung Marktkapitalisierung Kurs/Umsatz-Verhältnis Handelsvolumen 2 Handelsvolumen Volatilität der Renditen Marktkapitalisierung Anstieg des Kurziels 3 Momentum von Peer-Firmen 12-Monats-Momentum Momentum von Peer-Firmen Marktkapitalisierung 4 Buchwert/Marktwert-Verhältnis 1-Monats-Momentum Anstieg des Kurziels Volatilität der Renditen 5 Volatilität der Renditen Momentum von Peer-Firmen Buchwert/Marktwert-Verhältnis Momentum von Peer-Firmen 6 Illiquidität Altman Z-score Handelsvolumen Gewinnüberraschungen 7 Cash-Produktivität Handelsvolumen Cash-Produktivität Operative Gewinnmarge 8 Kurs/Umsatz-Verhältnis 6-Monats-Momentum Saisonale Umsatzschwankungen Illiquidität 9 Maximale Tagesrendite Illiquidität Operative Gewinnmarge Saisonale Umsatzschwankungen 10 Buchwert/Marktwert-Verhältnis (Branche) Maximale Tagesrendite Cashflow-Volatilität Cashflow-Volatilität Die Tabelle zeigt die 10 einflussreichsten der insgesamt 170 Variablen im KI-Modell der Studie. Viele von ihnen sind einfache Kennzahlen. Im Modell können sie aber in komplexen Strukturen interagieren. Quelle: deHaan, E. / Lee, C. / Liu, M. / Noh, S. (2025), The Shadow Value of „Public“ Information: Evidence from Mutual Fund Managers 142 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Effiziente Märkte FOTO: © CARROLL SCHOOL OF MANAGEMENT » Die Fähigkeit, öffentliche Informationen zu verarbeiten, ist ein wichtiger Performancefaktor. « Miao Liu, Assistant Professor, Carroll School of Management, Boston College