Institutional Money, Ausgabe 3 | 2025

K ünstliche Intelligenz als Entscheidungsträger ist im Markt schon längst flächendeckend angekommen. Mit der zunehmenden Verbreitung drängt sich je- doch die Frage auf, wie die Durchsetzung mit KI-basierten Handelsstrategien die Marktstruktur und jene Renditemus- ter, die die KIs ursprünglich zu nutzen versuchten, beein- trächtigt. Trägt künstliche Intelligenz zu stabileren, effizien- teren Märkten bei – oder schafft sie neue Friktionen, die die Marktqualität mindern? Ivan Gufler von der Luiss University, Francesco Sangiorgi von der Frankfurt School of Finance and Management und Emanuele Tarantino, der sowohl für die Luiss University als auch für die EU-Kommission tätig ist, haben sich in der Arbeit „(Deep) Learning to Trade: An Experimental Analysis of AI Trading and Market Outcomes“ genau dieser Frage angenommen. Dazu eines vorweg: Laut den Autoren liegt ein Kernproblem von amMarkt teilnehmenden AI-Model- len im Lernen selbst. Interdisziplinäre Lektion In der Informatik ist seit Langem bekannt, dass Algorithmen, die auf Reinforced Learning beruhen, in Mehr-Agenten-Sys- temen an ihre Grenzen stoßen. Sobald mehrere Akteure gleichzeitig lernen,wird das Umfeld instabil. Jeder Agent be- einflusst mit seinen Handlungen die Signale, aus denen an- dere wiederum lernen.Übertragen auf Finanzmärkte bedeu- tet dies: Preisbewegungen spiegeln nicht nur fundamentale Informationen wider, sondern auch das Rauschen, das aus den Lernprozessen anderer Algorithmen entsteht. Dieses Phänomen bezeichnen die Autoren als Lernexter- nalität – und es könnte den Markterfolg der KI-Händler ebenso schmälern wie die Systemstabilität insgesamt. Ähn- liche Effekte kann man auch in breit gefassten Anwendun- gen, also den diversen großen Chat-KIs, beobachten, deren Leistungen sich zuletzt nicht mehr verbessert haben. Auch hier dürfte sich die Qualität der Daten aufgrund des KI- Inputs verschlechtern und nach unten lizitieren. KIs im Markt: Das Experiment Um herauszufinden, ob dies im Finanzmarkt ebenfalls pas- sieren kann, haben die Autoren KI-Trader, modelliert über Deep Reinforcement Learning, in ein kalibriertes Asset- Pricing-Modell eingebettet. Akteure reagieren in Echtzeit auf Preise, die wiederum durch ihr eigenes Verhalten mitbe- stimmt werden. Damit entsteht ein endogenes Gleich- gewicht, in dem Lernprozesse, Handelsstrategien und Preis- bildung miteinander verwoben sind. Das Modell stützt sich auf den Ansatz einer nachfrage- basierten Bewertung, bei der die Asset-Nachfrage institutio- neller Investoren aus realen Daten kalibriert wird: Analysiert werden in diesem Zusammenhang zehn US-Aktien mit un- terschiedlichen fundamentalen Merkmalen: IBM, American Express, ABM Industries, Ameren, Weyco Group, General Mills, Coca-Cola, Loews, J.M. Smucker und Arrow Electro- nics. Die KI-Agenten müssen nun ohne Vorwissen – allein durch Erfahrung – lernen, wie sie Portfolios optimieren.Das wiederum hat entsprechende Rückwirkungen auf Preise und damit auf ihre Lernsignale. Die Ergebnisse sind auf den ersten Blick ermutigend. Die KI-Agenten entwickeln Strategien, die qualitativ eng am theoretischen Optimum liegen. Ihre Portfoliogewichtungen steigen mit den relevanten Marktsignalen, sinken mit wach- sender eigener Größe und passen sich nach Maßgabe der Konkurrenz an. Auch die Marktqualität profitiert zunächst: Effizienz und Liquidität verbessern sich. So wird die Vorher- Übersteigt die Zahl der marktteilnehmenden KIs eine gewisse Grenze, so verschlechtert sich die Datenqualität für den gesamten Markt – das geht zumindest aus den Resultaten einer neuen Studie hervor. Zu viel des Guten 144 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Deep Learning » KI-Händler verbessern zunächst die Marktergebnisse: Sie steigern die Effizienz und erhöhen die Liquidität. « Ivan Gufler, Luiss University