Institutional Money, Ausgabe 4 | 2025

G old, Bitcoin und KI – und das alles zusammen in einer einzigen Hedging-Strategie. Hand aufs Herz: Wer wird da nicht neugierig? Das haben sich möglicherweise auch Frank Kronewitter und Tamson Pham gedacht, als sie ihr Paper „Reinforcement Learning for Volatility Hedging: ADual-Asset Strategy Using Bitcoin and Gold“ begonnen haben. Die beiden Autoren arbei- ten in der Quantitative-Research-Abteilung von Rebellion Research. Und da wir uns in Sachen Krypto und KI in HLQHU gUD GHU :XQGHUNLQGHU EHljQGHQ VWXGLHUHQ GLH EHL- den noch an der UCLA respektive der Columbia University und sind bei Rebellion Research in New York derzeit als Interns, also Praktikanten, beschäftigt. Umso bemerkens- werter erscheint ihre Forschung, die sich zum Ziel gesetzt hat, „Volatilität mithilfe eines lernbasierten Ansatzes durch eine dynamische Allokation zwischen Bitcoin und Gold abzusichern“, wie Kronewitter erklärt. Nicht uninteressant ist dabei die gegensätzliche Charak- WHULVWLN GLHVHU EHLGHQ $VVHWV %LWFRLQ DOV ,QEHJULȬ KRKHU Renditechancen bei extrem hohen Schwankungen und Gold als klassischer Stabilitätsanker in Krisenzeiten. Eine dynamische Gewichtung zwischen beiden könnte theoretisch das Beste aus zwei Welten vereinen: Partizipa- tion an denAufwärtsbewegungen von Bitcoin bei gleichzei- tig gedämpfter Gesamtschwankung durch Gold. Die Autoren wollen nun ein Modell entwickeln, das mittels Reinforcement Learning die Allokation selbststän- dig erlernen und laufend anpassen soll. Dabei spiegelt die Reward-Struktur nicht nur den Portfolioertrag wider, son- dern berücksichtigt ausdrücklich auch Volatilitätskosten. Diese Idee folgt denÜberlegungen vonOle Peters, der 2010 LQ Ľ2SWLPDO OHYHUDJH IURPQRQ HUJRGLFLW\ĺ GHQ (LQijXVV YRQ Schwankungen auf das zeitgewichtete Wachstum und die langfristige Kapitalentwicklung herausarbeitete. Sie wenden also ein „Volatility-Penalty-Design“ an, das innerhalb des Reinforcement-Learning-(RL)-Prozesses dazu führen soll, dass der Agent strategisch ruhigere Pfade bevorzugt“, wie Phamerklärt. Das Ziel: Portfolios, die zwar kurzfristigweni- ger spektakulär sind, dafür aber dauerhaft stabiler wachsen. Auf dieser Grundlage wurden zwei unterschiedliche RL- Agenten für die Volatilitätssteuerung entwickelt, deren Ergebnisse zeigen, wie weit adaptive, KI-gestützte Alloka- tionsmodelle heute bereits gehen und welches Potenzial sie für das Risikomanagement institutioneller Portfolios künf- tig entfalten könnten. Datenlage und Kalibrierung Für die empirische Analyse greifen die Autoren auf täg- liche Preisdaten von Bitcoin und Gold zurück, erho- ben über Yahoo Finance. Der Untersuchungszeitraum reicht von 2014 bis Ende des ersten Quartals 2024 – also über eine Dekade, die Hausse- wie Baissephasen beider Anlageklassen umfasst. Dieses zeitliche Spektrum bietet aus Sicht der Autoren eine solide Grundlage, um eine Volatilitäts-Hedging-Strategie zu trainieren und zu testen. Auf den grundlegenden Daten aufbauend werden zusätz- liche Variablen berechnet: tägliche logarithmierte Ren- Hedging mit Gold, Bitcoin und KI – was soll da schon schiefgehen? Gar nicht mal so viel. Auf der anderen Seite: Ein signifikanter Performancevorteil gegenüber Buy and Hold gelingt auch nicht wirklich. Die Modelle müssen also verfeinert werden. Dreiecks beziehung Unverstanden, trotzdem umarmt Bitcoin ist 2025 die längste Zeit gestiegen – zuletzt bildete sich Widerstand. Während die Diskussion darüber, um welche Art von Assetklasse es sich bei Bitcoin handelt, nach wie vor nicht zufriedenstellend beendet wurde, haben semiinstitutionelle Investoren die Kryptowährung akzeptiert und somit zur Hausse beigetragen. Quelle: Bloomberg 0 20.000 40.000 60.000 80.000 100.000 120.000 US$ je BTC 112.000 2025 I 2024 I 2023 I 2022 I 2021 I '20 112 N o . 4/2025 | institutional-money.com THEORIE & PRAXIS | Gold und KI