Institutional Money, Ausgabe 3 | 2025

sagbarkeit reduziert, was darauf hindeutet, dass die Kurse einen großen Teil der verfügbaren Information bereits ein- gepreist haben. Außerdem werden Preisschocks besser absorbiert. Dazu Gufler: „KI-Händler verbessern zunächst die Marktergebnisse: Sie steigern die Effizienz und erhöhen die Liquidität.“ Doch mit zunehmender Verbreitung der KI-Händler wei- chen ihre Entscheidungen quantitativ von der Benchmark ab. Sie reduzieren ihre Exponierung bei wachsendemMarkt- anteil nicht ausreichend und erhöhen Positionen bei stärke- rem Wettbewerb über Gebühr. Die Folge: „Preise reagieren empfindlicher auf temporäre Schocks, und die Portfolioer- träge fallen hinter das theoretisch mögliche Niveau zurück“, wie Sangiorgi ausführt. Lernexternalität mindert Leistung Die Ursache dieser Verzerrungen liegt in der angesproche- nen Lernexternalität. Jeder Trade eines Agenten verändert die Preissignale, die anderen Marktteilnehmern zur Verfü- gung stehen. Da keiner die Identität oder Strategie der Teil- nehmer kennt, kann das Rauschen nicht isoliert werden. Sangiorgi führt aus: „Jeder explorative Handelsschritt eines Agenten führt zu nicht stationären Preisbewegungen, die die für andere Akteure verfügbaren Lernsignale verfälschen.“ Gemeint ist damit, dass ein einzelner Algorithmus durch seine Test- und Lernschritte Preisbewegungen erzeugt, die für andere Händler wie echte Informationssignale aussehen – obwohl sie in Wahrheit nur künstliches Rauschen darstel- len. So wird der Lernprozess aller Beteiligten verschlechtert, Oftmals erreicht man durch Masse Synergien. Im Bereich der KI-Anwendungen könnte aber das Gegenteil der Fall sein. Die massenhafte Generierung von Daten durch KI-Bots droht die Qualität der Daten zu verschlechtern. Das kann auch an den Finanzmärkten zu einer teilweisen Verschlechterung der Struktur führen. Gewichtungen im Vergleich Die Anzahl der KIs wirkt sich auf den Investitionsgrad aus, Wie stark steigt oder fällt die Investitionsquote, wenn sich das Signal Z, also der ver- fügbare Informationsgehalt verändert? Beobachtet werden unterschiedliche Szenarien, in denen die Anzahl der KI-Trader (J) und der Anteil des KI-Vermögens (J ω ) am Markt variiert werden. Quelle: Gufler et al., „(Deep) Learning to Trade (...)“ J = 1, Jω = 0,01 J = 1, Jω = 0,05 J = 1, Jω = 0,1 J = 2, Jω = 0,01 J = 2, Jω = 0,05 J = 2, Jω = 0,1 0,00 0,01 0,02 0,03 0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,1 0,2 0,0 0,1 0,2 0,0 0,1 0,2 0,00 0,01 0,02 0,03 0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,1 0,2 0,0 0,1 0,2 0,0 0,1 0,2 0,00 0,01 0,02 0,03 0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,1 0,2 0,0 0,1 0,2 0,0 0,1 0,2 J = 5, Jω = 0,01 J = 5, Jω = 0,05 J = 5, Jω = 0,1 *Informationsgehalt Z ** Wahrscheinlichkeitsdichte N o . 3/2025 | institutional-money.com 145 Deep Learning | THEORIE & PRAXIS FOTO: © MUHAMMAD | STOCK.ADOBE.COM