Institutional Money, Ausgabe 3 | 2025

weil sie falsche Rückschlüsse ziehen und Strategien auf ver- meintlich echte Marktsignale kalibrieren, die in Wirklichkeit aber nur von den Experimenten anderer KI-Agenten verur- sacht wurden. Damit wird aus einem Instrument zur Effi- zienzsteigerung ein Störfaktor, der sowohl die individuelle Performance wie auch die kollektive Marktqualität belastet. Entscheidungsfindung Doch wie kommen diese Entscheidungen überhaupt zustande? Wie steuern KI-basierte Händler ihre Portfolios, und welche Folgen hat dies für Renditen, Effizienz, Liquidi- tät und Volatilität? Hier lohnt es sich, zunächst unterschied- liche Portfolioansätze und die außerstichprobenhaften Erträge zu untersuchen und sich in einem zweiten Schritt deren Rückwirkungen auf die Marktqualität anzusehen. Da zeigt sich zunächst, dass ein einzelner KI-Händler mit moderatem Preiseinfluss sehr nah an das rationale Bench- markmodell heranreicht (siehe Chartbild „Gewichtungen im Vergleich“, erste Zeile) . In dieser Konstellation erzielt er rund 84 Prozent der Ren- diten, die von der rationalen Benchmark erzielt werden – Letztere besteht wiederum aus Akteuren, die über vollstän- diges Wissen über den datengenerierenden Prozess verfügen: Sie kennen die Preisbildungsregel, verstehen die Dynamik von Unternehmenskennzahlen und latenter Nachfrage und können aus den beobachteten Preisen exakt auf die zugrun- de liegenden Signale schließen. Ihre Portfoliopolitik ist da- mit die optimale Lösung: Sie internalisieren Preiswirkungen, handeln aggressiv auf vorhersehbare Renditen und eliminie- ren Vorhersagbarkeit so weit wie möglich. Untersucht man vor diesem Hintergrund den Zusam- menhang zwischen dem hinreichenden Statistiksignal Z, also der im Markt vorhandenen Information auf der einen Seite und den Portfoliogewichten auf der anderen Seite, erhärten sich die bisher aufgestellten Thesen (siehe das restli- che Chartbild „Gewichtungen im Vergleich“) . Sowohl bei der rationalen Benchmark als auch bei den KI-Händlern steigen die Gewichte streng monoton mit Z. Das kommt aus Sicht des Autorenteams nicht unerwartet: Ein höheres Signal weist auf größere erwartete Kapitalgewin- ne hin, entsprechend wächst die Allokation in den riskanten Titeln. Doch die Abweichungen von der Benchmark sind unübersehbar. Die Kurven der KI-Händler verlaufen flacher als die der rationalen Benchmark und liegen durchgehend unterhalb besagter Benchmarklinie. Potenzial nicht ausgeschöpft Die Einschätzung von Sangiorgi lautet in diesem Zusam- menhang: „Die KI-Trader verstehen die Richtung, aber nicht die volle Größenordnung.“ Das bedeutet, dass die KI zwar erkennt, dass steigende Signale höhere Gewichtungen recht- fertigen, aber systematisch die Notwendigkeit unterschätzt, diese in vollem Umfang umzusetzen. Nimmt die Portfolio- größe zu, reduzieren zwar sowohl die Benchmark als auch die KI ihre Gewichte, doch die KI reagiert zu schwach – ein Zeichen dafür, dass die Preiswirkung nicht vollständig inter- nalisiert wird. Steigt hingegen die Zahl der konkurrierenden Händler bei konstantem Gesamtkapital, handeln beide aggressiver. Doch auch hier zeigt sich ein Muster: Die KI Portfolioerträge Die Erträge fallen mit steigendem KI-Einfluss. J ω = 1 % J ω = 5 % J ω = 10 % Δ AI,b log(R b ) Δ AI,b log(R b ) Δ AI,b log(R b ) J = 1 -0.161 0.056 -0.568 0.040 -1.058 0.032 (0.271) (0.048) (0.344) (0.041) (1.023) (0.034) J = 2 -0.195 0.054 -0.329 0.034 -0.469 0.027 (0.303) (0.048) (0.272) (0.039) (0.297) (0.029) J = 5 -0.212 0.053 -1.399 0.028 -2.804 0.020 (0.322) ( 0.048) (1.044) (0.039) (1.296) (0.028) Untersucht wurde der Einfluss der KI-Anzahl an Tradern (J) und des KI-Marktanteils (J ω ). Quelle: Studie Gufler et al. Durchschnittliche Volatilität KI-Teilnahme reduziert Schwankungen J ω = 1 % J ω = 5 % J ω = 10 % AI RB AI RB AI RB J = 1 -0.626 -1.003 -1.607 -3.083 -1.509 -3.562 (0.208) (0.293) (0.720) (1.366) (1.055) (1.928) J = 2 -0.583 -0.996 -2.129 -3.394 -2.386 -4.234 (0.196) (0.295) (0.846) (1.374) (1.140) (2.170) J = 5 -0.548 -0.988 -2.268 -3.535 -3.073 -4.614 (0.198) (0.297) (0.871) (1.358) (1.718) (2.263) J ω = 1 % J ω = 5 % J ω = 10 % J = 1 0.377 1.476 2.053 J = 2 0.413 1.265 1.848 J = 5 0.44 1.267 1.541 Die obere Tabelle vergleicht KI mit der rationalen Benchmark. Der untere Teil stellt die jeweiligen Differenzen zwischen den beiden Komponenten dar. Quelle: Gufler et al., „(Deep) Learning to Trade (…)“ 146 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Deep Learning » Jeder explorative Handelsschritt eines Agenten führt zu nicht stationären Preisbewegungen, die die für andere Akteure verfügbaren Lernsignale verfälschen. « Francesco Sangiorgi, Frankfurt School of Finance and Management