In der Realität angekommen

Google hat es anscheinend wieder einmal geschafft. Mit „Sycamore“ will das Unternehmen die Konkurrenz deklassiert und einen Quantencomputer her­gestellt haben, der die Rechenkapazität herkömmlicher Hochleistungsgeräte steinzeitlich erscheinen lässt. Eine Kalkulation, für deren Lösung die derzeit schnellsten Rechner laut Google 10.000 Jahre brauchen, will der Supercomputer in 2.000 Sekunden erledigt haben. Inzwischen werden diese Angaben zwar angefochten, es steht aber außer Zweifel, dass der Durchbruch in Sachen Quantencomputer näherrückt.

Und das könnte auch einem anderen zuletzt gehypten Thema neuen Rückenwind verleihen – nämlich dem der künstlichen ­Intelligenz (KI). Diese Technologie steht und fällt mit der ebenso schnellen wie geschickten Auswertung großer Datenmengen. Vor rund drei Jahren hielt die KI im Asset Management auch in Deutschland Einzug. Nach diversen Pionierprojekten, vor allem in Asien, lancierte der in Frankfurt angesiedelte Fondsanbieter Acatis den ersten UCITS-kompatiblen KI-Fonds. Zahlreiche Veranstaltungen zum Thema schossen wie Pilze aus dem Boden. Machine Learning drohte in absehbarer Zeit zunächst die bereits etablierten quantitativen Ansätze und in einem zweiten Schritt den aktiven menschlichen Manager abzulösen. Vorreiter wie Alessandro Di Soccio, CEO von A.I. Machines, zeigten sich damals davon überzeugt, dass Machine Learning aufgrund seiner Lernfähigkeit den rein regelbasierten Ansätzen, wie sie von quantitativen Asset Managern verfolgt werden, überlegen sei. Diesen Herbst brachte er im Diskussionspapier „Man vs. Machine: What’s the Score“ eine Zwischenbilanz heraus, die – zumindest aus seiner Sicht – klar zugunsten von KI ausfällt. Er vergleicht die Performance seiner im Jahr 2015 live ge­gangenen Strategie A.I. Ma­chines Dynamic Asset Allocation mit einer BlackRock- und einer Morningstar-Strategie (siehe Chart „Wo künstliche Intelligenz funktioniert“) und kommt seit dem Start der Strategie auf eine deutliche Überperfor­mance: „Seit Mai 2015 hat die KI im Rahmen ihrer Long-­only-Strategie 226 Anlageentscheidungen getroffen“ – und somit unter anderem den BlackRock Global Allocation geschlagen, „der über ein erfahrenes Team von mehr als 50 Finanzprofis verfügt“. Auch Kunden von Di Soccio streuen der KI Rosen. So hat die südafrikanische und in Dublin gelistete Fondsboutique Sanlam Global Investment Solutions 2017 ihren Sanlam Managed Risk (SMR) UCITS Fund um KI-generierte Risikosignale erweitert. „Das hat unfassbar gut funktioniert. Vor allem rund um den Jah­reswechsel 2017/2018“, erzählt Gideon Nell, Global Head of Business ­Development. Die Maschine reduzierte im damaligen Umfeld das Aktien-Exposure von 82 auf 19 Prozent und stockte dann wieder auf über 80 Prozent auf. „Damit wurde die Performance 2017 gerettet. Während der Benchmark im selben Jahr eine Performance von 12,1 Prozent ­gelang, schaffte die Quant-Boutique ein Plus von 16,8 Prozent.“ Regelbasiert wäre das unmöglich zu programmieren gewesen, ­erinnert sich Nell. Auch aggressives menschliches Management hätte laut Nell in einer Bandbreite von maximal 50 bis 70 Prozent Aktien-Exposure agiert, aber niemals Sprünge zwischen 80 und 20 Prozent gewagt.

Realität vs. Labor

Also alles gelaufen? Ist die Catch-Phrase „Man vs. Machine“ obsolet, weil schon längst zugunsten der Maschine entschieden? Nicht ganz. Erste Hinweise darauf, dass es für die KI vielleicht doch nicht ganz so gut läuft, liefert der noch junge AI-Outperformance Index des Liechtensteiner Vermögensverwalters Plexus Investments. Das Barometer wertet den Ertrag von bislang zwölf global notierenden KI-Fonds im Vergleich zu der von ihnen angegebenen Benchmark aus (siehe Grafik „Unterwältigende Performance“). Das Resultat per August 2019: Über die vergangenen drei Monate haben nur zehn Prozent der Fonds ihre Benchmark geschlagen, im Durchschnitt lagen die KIs 3,77 Prozent hinter den jeweiligen Vergleichsstandards. Nicht zuletzt diese ernüchternden Zahlen könnten für Plexus ein Grund dafür gewesen sein, die im Februar angekündigten Pläne, gemeinsam mit Oddo BHF AM ein KI-Investmentvehikel aufzulegen, auf unbestimmte Zeit zu verschieben – zumindest will sich CEO Günter Jäger weder auf ein Lancierungsdatum noch auf die Nennung einer Zeitspanne einlassen. Angedacht gewesen wäre die Auflage eines Fund of Funds, der in bestehende KI-Fonds investiert.

Einzelschicksale …

Dass KI-Fonds in der Praxis Probleme haben, zeigen aber nicht nur Indizes, sondern auch einzelne Produkte, die sich im Gegensatz zu der nur am Computer laufenden KI-Strategie von Di Soccio tatsächlich im Markt bewähren müssen. So fällt es der eingangs erwähnten KI von Acatis enorm schwer, performancetechnisch Tritt zu fassen. Der Fonds, der auch über eine institutionelle Tranche verfügt, wurde kurz nach seinem Start im Jahr 2017 ein erstes Mal neu aufgesetzt und legte 2019 ein gutes erstes Jahresdrittel hin, um dann wieder deutlich einzuknicken. Im Juli kam es zu einer erneuten Rekalibrierung: „Als neues Modell zur Aktienauswahl ist ein Graphisches Neuronales Netz eingesetzt worden, die Datenqualität und Datenverarbeitung sind weiter verbessert und die Portfoliokonstruktion stark vereinfacht worden“, wie es in einer entsprechenden Aussendung heißt. Auch die Schweizer Boutique Private Alpha ist mit ihrem KI-Projekt Private Alpha AI Global Opportunity nicht unbedingt erfolgsverwöhnt. Der Mischfonds sollte laut Eigen­angaben „über unvoreingenommenes Risikomanagement“ punkten, notierte zuletzt laut Bloomberg-Daten aber deutlich in negativem Terrain.

… oder Systemschwäche?

Stellt sich die Frage, ob es sich bei diesen Beispielen nur um Einzelschicksale beziehungsweise ungünstige Momentaufnahmen handelt oder doch um ein systemweites Problem. Ein israelisch-chinesisches Forscherteam, bestehend aus Doron Avramov, Si Cheng und Lior Metzker, die respektive an der IDC Herzliya, der Chinese University of Hong Kong und der Hebrew University of Jerusalem wirken, hat sich genau dieser Frage angenommen.
In ihrer Arbeit „Machine Learning versus Economic Restrictions: Evidence from Stock Price Predictability“ messen die ­Autoren die Performance von KI-Strategien und sehen sich dann an, wie diese Strategien funktionieren, wenn sie, wie der Titel schon sagt, ökonomischen Restriktionen ausgesetzt sind. Gerade im institutionellen Bereich gibt es derer ja genügend: seien es Einschränkungen beim Einsatz von Derivaten, Marktkapitalisierungen oder Leerverkaufspositionen. Das ist insofern interessant, als sich der Großteil der theoretischen KI-Ansätze solchen Einschränkungen nicht ­unterwirft.

Um eine Ausgangsbasis herzustellen, bedienen sich die Autoren bereits etablierter KI-Modelle, unter anderem des erst dieses Jahr von Gu, Kelly und Xiu (GKX) in „Empirical asset pricing via machine learning“ entworfenen neuronalen Netzwerks mit drei Hidden Layers (NN3). Analysiert werden US-Aktien von 1987 bis 2017. Das gleichgewichtete, alle Titel umfassende Long-Short-Portfolio ergibt einen statistisch relevanten monatlichen Ertrag von 2,47 Prozent – was ein herausragendes Ergebnis ist und die Resultate vergangener Forschungsarbeiten bestätigt.

Doch was passiert, wenn man keinen „Equal Weight“-, sondern etwa einen value-gewichteten Ansatz verfolgt? „Dann gehen die Erträge des Portfolios nach der GKX-Methode um 47 Prozent zurück“, wie Co-Autor Avramov erklärt. In ihrem Verdacht bestärkt, dass KI-Strategien möglicherweise nur auf vollkommen freien Entscheidungspfaden funktionieren, klopfen die Autoren die Strategie nun auf die bereits angedeuteten Restriktionen ab (siehe Tabelle „KI vorläufig entzaubert“): Sie sortieren das Portfolio nach Sentiment, Marktvolatilität, VIX und schließlich nach Illiquidität.

Dabei zeigt sich: Je höher Sentiment, Marktvolatilität, VIX und Illiquidität sind, desto besser die Performance des Portfolios. Ebenfalls untersucht wurde, wie die Strategie bei Einschränkungen bezüglich Marktkapitalisierung, Rating und Kreditstress funktioniert. Hier zeigt sich: Wenn man kleinere Unternehmen, nicht geratete Unternehmen oder solche, die eine Abwertung des Ratings hinnehmen mussten, aus dem Portfolio entfernt, nimmt der Ertrag im Vergleich zum Gesamtmarkt ab – was im ­Umkehrschluss bedeutet, dass die Ertrags­treiber genau aus jenen Quellen kommen, die Investoren unter Umständen nur ungern anzapfen oder gar nicht anzapfen dürfen. Tatsächlich investiert aber der KI-Fonds von Acatis laut Eigenangaben in „bis zu 50 Aktien aus entwickelten Ländern mit einer Marktkapitalisierung über einer Milliarde Euro und ausreichender Liquidität“. Was ­legitim ist – wir erinnern uns aber: Je höher die Liquidität, desto geringer ist laut Avramov, Cheng und Metzker der Ertrag von KI-­Strategien.

Ein neuer „KI-Winter“

Solange es künstliche Intelligenzen also nicht schaffen, die mitunter fantastische Performance im Labor in die harte Realität des Marktes zu übertragen, wird eine breite ­Anwendung dieser Technologie wohl nicht stattfinden können. Im Raum steht dann ­zumindest für das Asset Management ein ­neuer „KI-Winter“, wie in der Technologieszene Perioden bezeichnet werden, in denen es zu Enttäuschungen über den technischen Fortschritt und damit einhergehend zu ­einem Rückgang der privaten und staatli­chen Investitionen kommt. Auch Di Soccio scheint einen derartigen Kälteeinbruch zu befürchten: „Die Entwicklung von branchentauglichen KI-Applikationen setzt jahrelange millionenschwere Forschungsprojekte (…) ohne Garantie auf Erfolg voraus. Das hat die Entwicklung und Anwendung von KI verzögert und stark eingeschränkt.“ Man wird sehen, ob sich mit Googles Syca­more wieder das eine oder andere Frühlingsgefühl einstellt.

Hans Weitmayr

Dieses Seite teilen