Institutional Money, Ausgabe 3 | 2025

überschießt und erhöht ihre Positionen stärker als das ratio- nale Modell. Das Hauptproblem: Je mehr Agenten auftre- ten, desto deutlicher wird dieser Überschuss. Die KI leitet ihre Entscheidungen also nicht nur aus dem Signal Z ab – ganz imGegensatz zum rationalen Modell, in dem die optimale Allokation ausschließlich von Z abhängt. KI-Strategien reagieren auch auf irrelevante Variationen im Informationsset.Die Portfoliogewichte schwanken merklich, obwohl Z konstant bleibt. Dies zeigt, dass die Algorithmen die Information nicht vollständig verdichten, sondern das Rauschen verarbeiten, das für die Entscheidungsfindung eigentlich irrelevant ist. Die quantitative Abweichung von der Benchmark weist dabei auf eine tieferliegende Ursache hin: die bereits er- wähnte Lernexternalität.Wir erinnern uns: Das modellfreie Lernen der KI bedeutet, dass sie keine strukturelle Vorstel- lung davon hat, wie ihr eigenes Handeln Preise beeinflusst. Stattdessen orientiert sie sich ausschließlich an beobachteten Erträgen.Wenn mehrere Agenten gleichzeitig experimentie- ren, verzerrt jeder von ihnen die Preissignale, die den ande- ren als Lernbasis dienen. Das Ergebnis ist ein verfälschtes Feedback, das es erschwert, zwischen eigenem Preiseffekt und kollektiver Dynamik zu unterscheiden. Schon gering- fügige Abweichungen vom optimalen Portfolio wiegen schwerer, da die Ertragsfunktion mit der Positionsgröße zu- nehmend gekrümmt wird. „Die Performance kann erheb- lich sinken, sobald KI-Agenten gemeinsam interagieren, ler- nen und ihre Portfolios an Größe gewinnen“, so Tarantino. Deutliches Liquiditätsproblem Besonders deutlich erscheinen die Defizite bei der Markt- liquidität. Während rationale Investoren Preisrückgänge als temporären Schock erkennen, antizyklisch kaufen und damit Liquidität bereitstellen, reagieren KI-Händler zurück- haltend. Sie deuten den Preisrückgang fälschlicherweise als Zeichen sinkender Nachfrage und handeln nur partiell dagegen. Die Folge: ein systematischer Liquiditätsmangel. Dazu Tarantino: „Die Liquidität ist um eine Größenord- nung geringer als bei der Benchmark. Die Erklärung dafür liegt darin, dass in der rationalen Benchmark die Händler den vorübergehenden Charakter des Schocks erkennen und die Preisumkehr in der folgenden Periode antizipieren, sodass sie aggressiv kaufen, um von der erwarteten Korrektur zu profitieren. ImGegensatz dazu deutet die KI den anfäng- lichen Preisrückgang als Signal für eine verringerte latente Nachfrage, die nur teilweise durch Mittelwertumkehr kom- pensiert wird.“ Besonders bemerkenswert erscheint in die- sem Zusammenhang, dass in Extremszenarien mit hoher Kapitalisierung mehrerer KI-Agenten die Liquidität sogar unter das Niveau eines Marktes ganz ohne KI-Händler fällt. Auch bei den Schwankungen zeigt sich ein ähnliches Muster: Rational handelnde Investoren glätten die Volatilität, indem sie die Mittelwertumkehr ausnutzen. KI-Agenten weisen diese Tendenz ebenfalls auf, doch abermals auf eine weniger ausgeprägte Weise. Insgesamt bleibt das Gesamtbild also ambivalent: Die Renditen einzelner Agenten können zwar nah an optimalen Strategien liegen – doch sobald Größe und Interaktion in einem stärkeren Maß ins Spiel kommen, verstärken sich Lernfriktionen, was wiederum zu persistenten Leistungsdefiziten führt. Strukturelles Wissen, etwa über die Natur temporärer Schocks, kann durch reine Mustererkennung nicht ersetzt werden. Abwärtsspirale? Kritisch könnte man an dieser Stelle anführen, dass die negativen Ergebnisse der KI teils aus einem Vergleich mit einer hochtheoretischen Benchmark entstehen. Das stimmt zum Teil natürlich. Kein Marktteilnehmer verfügt über absolutes Marktwissen, auch menschliche Händler würden in einem derartigen Setting schlechter abschneiden als die Benchmark. Was aber nachdenklich stimmt, ist, dass sich die Leistung der KI mit zunehmender Marktteilnahme de facto ver- schlechtert – ganz egal ob man eine Benchmark zum Ver- gleich heranzieht oder nicht. Wie bereits erwähnt, scheint man dieses Phänomen auch bei allgemeinen KI-Anwendun- gen abseits der Finanzmärkte zu beobachten: Eine KI er- zeugt Fehlsignale, anhand derer sich andere KIs trainieren. Mit Zunahme der KI-Signale, die theoretisch Richtung unendlich gehen könnten – unendliche Energieversorgung vorausgesetzt –, wird die Qualität der Trainingsdaten zuse- hends schlechter. Man befindet sich also möglicherweise in einer Abwärts- spirale. Kein Wunder, dass manche KI-Anbieter dazu über- gegangen sind, ihre Modelle mit einer Bias zu trainieren, die ganz oder zum Teil auf Daten aus der Zeit vor ChatGPT stammt – also Sets, die nicht KI-kontaminiert sind und somit über eine vermeintlich höhere Qualität verfügen. Sollen KI-Anwendungen also besser werden, müsste der Fokus stärker darauf ausgerichtet sein, zwischen echten Signalen und Noise zu unterscheiden. Das könnte über ver- stärktes, aber kostspieliges Human Reinforced Learning geschehen. Seit der Markteinführung von DeepSeek – ein Modell, das eine rein maschinelle Huckepack-Trainings- methode entwickelt hat und de facto von bestehenden Chat-Modellen trainiert wird – erscheint diese Art des Trai- nings jedoch nicht mehr wettbewerbsfähig. Es wird span- nend zu beobachten sein, aus welcher Ecke die nächste ech- te KI-Innovation kommt. HANS WEITMAYR 148 N o . 3/2025 | institutional-money.com THEORIE & PRAXIS | Deep Learning » Die KI deutet den anfänglichen Preisrückgang als Signal für eine verringerte latente Nachfrage, die nur teilweise durch Mittelwertumkehr kompensiert wird. « Emanuele Tarantino, Luiss University und EU-Kommission